作为自然语言处理的一项基础性研究,词义消歧对机器翻译、信息检索、文本分类、情感分析等上层应用有重要影响。知识获取瓶颈问题是制约词义消歧技术发展的重要因素,现存多种知识资源各有优势,如果能够对多种中英知识资源进行整合,优势互补,充分发掘资源中的消歧知识将有助于词义消歧任务的开展。本文试图从这一角度出发进行相关研究,在图模型框架下,利用多种中英文知识资源进行相似度计算,使用模拟退火算法对相似度值进行权重优化,以此整合多种知识资源共同构建消歧图,从而进行中文词义消歧的处理。本文的主要工作和贡献体现在下述三个方面:(1)针对传统中文词义消歧方法面临的知识资源不足问题,提出了一种基于英文词语相似度计算的图模型词义消歧方法。主要思路是将中文词义消歧问题转换到英文领域,而后借助较为完善的英文知识资源,进行词义消歧处理。针对该方法涉及的两个关键问题,即词义映射和英文词语相似度计算问题,提出了基于词向量的BabelNet词义映射方法、基于词向量和知识库的词语相似度计算方法。实验结果表明,该方法能有效地利用英文知识资源,能够提高中文词义消歧的消歧准确率。(2)针对现有消歧方法中存在的对知网知识利用不充分问题,提出了一种基于HowNet的图模型词义消歧方法。该方法利用依存句法分析获取上下文知识,构建上下文消歧图,并对HowNet中有着重要词义区分能力的例句进行依存句法分析,构建依存消歧图,结合上下文消歧图和依存消歧图完成歧义词的消歧处理。实验结果表明,该方法在SemEval-2007 task#5数据集上取得了0.468的消歧准确率,能够获得优于同类方法的消歧效果。(3)为进一步整合各类消歧知识资源,提出了一种基于图模型的中文词义消歧方法。该方法融合了前述多项工作,以期进一步提升词义消歧的性能。设计了一种基于模拟退火的权重优化算法进行权重参数寻优,以此为基础构建消歧图进行词义消歧处理。实验结果表明,该方法能够有效改善中文词义消歧的效果,其在SemEval-2007 task#5数据集上的消歧准确率可达0.492。