网络终端数量的增加,提高了数字图书馆中文献存储的能力。利用作者姓名进行文献检索是数字图书馆中常见的检索方式之一。但是,姓名同名现象导致了检索系统不能对文献进行有效地组织分类,其具体表现为输入某一人名时,文献系统会返回和该人名相关的所有文献,但是这些文献中存在有与用户搜索目标作者不相关的冗余文献,需要用户进行自行筛选、剔除,使得信息检索的效率下降。因此,为解决因作者同名而引起的歧义问题,国内外诸多学者开展了相关研究,旨在将所有的文献都正确地归属到相应的作者名下,并且有组织地进行呈现,以提高数字图书馆用户的体验感。诸多研究者为解决姓名歧义问题,已经提出过各种各样的解决方案,但是依旧存在一些问题需要进一步地解决,主要包括:（1）目前一些方法有效信息利用不充分,不能全面反映待消歧文献。（2）目前数据库中的一些文献会存在部分信息丢失问题,譬如缺少了发表的日期时间、作者的主页信息等,这使得基于该类特征的消歧方法准确率急速下降。（3）随着时间的推移,文献数据库需要不断引入大量的新文献,目前一些方法无法对其进行动态处理或者对新文献的处理效率和质量低下。为解决上述问题,本文从异构学术网络图出发,提出了作者姓名消歧方法,其中本文做的主要工作如下:（1）基于多图融合的作者姓名消歧方法,解决单一模型信息利用不充分等问题。一些研究方法过度侧重于使用邮件、地址等特征,但这并不具有普适性,因为并不是所有作者都会提供这些信息,而且另有一些研究对于现有信息利用不充分,即单一地使用某种信息。为了更好地利用现有信息,本文提出了多图融合的机制,旨在充分挖掘现有信息中的潜在特征。本文首先构建了一个异构学术网络,并利用所设计的多个元路径,将其转换为同构图。为了将多个同构图的结构信息以及节点文本信息融合,全面提取特征,本文构建了多个图注意力神经网络对各个同构图进行学习融合,以得到文献节点的最优嵌入,最终结合谱聚类算法得到消歧结果。实验结果表明所提出算法的消歧准确率比传统方法提升了3%以上。随后通过消融实验,证明了所提出元路径的有效性,在单独使用这些元路径时也能实现较好的消歧性能。（2）增量模式下的作者姓名消歧方法,把作者姓名消歧任务看做是关系图重构问题。增量模式指新文献进入文献数据库时,对新文献中的同名作者进行消歧的情况,该情形下的一个难点在于如何对新出现的同名个体进行有效识别。现有方法在面对于新进入文献节点时需要对图进行重构并重新进行训练,这导致效率低下,不能尽快地将新文献引入到数据库中。因此,本文提出使用文献比对的方式来解决增量模式下的姓名消歧问题,并通过挖掘多个特征构建相似度函数,提高节点合并准确率。合作网络是区分同名作者最为有效的特征,因此,首先重新构建了合作网络,并依据中心极限定理,将作者节点进行合并,初步实现人名的消歧。之后又设计了多个相似度函数,用于进一步实现节点合并操作。其中为了更好地挖掘摘要的潜在特征以及作者写作风格特征,本文利用了摘要的树形结构进行语义学习。最终,实验证明了所提出方法的有效性,在时间效率上优于传统方法。消融实验进一步地证明了本文提出的相似度函数的实用性。因此,本文针对作者姓名消歧问题的研究,对于解决文献数据库中现存的一些问题,如同名作者文献分配不够准确、新文献进入数据库时作者姓名歧义等问题,具有重要的理论研究意义和实际应用价值。