隐喻是一种十分普遍的语言现象,它反映的不只是人对语言的使用方式,更是人对事物的认知方式。隐喻在自然语言处理中处于十分重要的地位。语义的矛盾是隐喻的标志和信号,隐喻识别模型需要利用词语的特征,找到词语间的矛盾来识别隐喻。多模态的方法使用词语的文本信息和图像信息获取特征,它可以让隐喻识别模型获得更丰富的词语特征。词语可以按抽象度分为具体词和抽象词,具体词具有实体,使用图像信息可以获得更丰富的特征,而抽象词不具备实体,难以使用图像信息。本文把词语的抽象度和多模态方法结合起来,为具体词和抽象词选择合适的模态信息。很少有抽象度计算方法会考虑到词语的词性对抽象度的影响。而不同词性的词语具有不同的词义,这会导致抽象度的不同。因此本文提出了一种区分词性的抽象度获取方法,为隐喻识别模型提供支持。在文本模态特征获取方面,本文使用词语的词性抽象度作为特征信息。在图像模态特征获取方面,本文利用互联网获得词语的图像模态信息,使用卷积神经网络模型获得图像模态的特征向量,再计算出概念的图像模态相似度信息。在词语的区分词性抽象度计算方面,本文首先在权威抽象度数据库中获取只具有单一词性的词语,把它们作为种子词,再使用多词义词向量模型获得词语的词性向量,使用词性向量与种子词之间的语义距离获得各词性的抽象度。获取词语在文本模态和图像模态的特征以及词语的词性抽象度后,本文实现了一个多模态的英文动词性和形容词性短语的隐喻识别模型。模型首先根据短语中名词概念的词性抽象度把它分成具体概念和抽象概念,之后对具体概念和抽象概念使用不同的识别策略。隐喻识别模型对具体名词使用文本模态和图像模态的特征;对抽象名词仅使用文本模态的特征。综上所述,本文结合了词语的区分词性抽象度以及词语的多模态特征,提出了面向英文形容词性和动词性短语的隐喻识别方法。实验表明我们的隐喻识别方法是有效的,为隐喻计算研究提供了新的思路。