互联网飞速发展,人们对信息获取需求的不断提高,同时信息爆炸式增长,导致信息的收集和查找日益困难,如何在有限的时间内查找到准确而全面的信息对于搜索技术研究提出了重大的挑战,而在搜索引擎系统中加入语义知识就是提高查询效率的一个重要途径。词语作为语义表示的最小单位,由于一词多义、别名等众多复杂情况导致单个词语表达意思时语义不明确,传统的一些词语相关度计算方法不能很好地解决词语消歧义问题。传统计算方法大概可以分两种方法,一是在大规模语料上使用统计方法,但是现实生活中缺少规模足够大且精确的语料；二是基于人工构建知识系统的计算方法,也存在一些问题,如人工构建知识系统规模小、维护成本高等。面对传统词语相关度计算方法的一些不足以及当今自然语言处理领域对语义知识的需求,本文着重于词语相关度计算与概念相关词群挖掘的研究,具体内容如下：一、对中文维基百科资源整理加工的基础上,使用改进的WLVM方法建立了-个词语间相关度数据集,对数据集进行了评估和分析,整理出一些概念的相关词群,概念词群可以用于该概念的语义表示,同样也可以被广泛的应用于自然语言处理的其他方面,比如,文本扩展、知识库构建等。二、提出一种词语相关度计算方法。在分析前人词语相关性计算方法的基础上,对比大规模语料、人工构建的知识系统与维基百科的差别,本文提出一种词语间语义相关度计算方法,综合利用了链接、分类系统、文本资源和锚文本等语义知识,并对相关性计算结果进行消歧义处理。在实验中,使用本文提出的方法分别在文本资源和链接、分类系统中计算词语相关度、并与其他多种方法做了对比,证明了本方法的有效性。