在汉语词汇中存在着一定数量的歧义词,虽然歧义词的出现为自然语言的应用带来了便利,但是也为自然语言的理解和翻译带来了一定的困难。词义消歧就是根据歧义词的上下文语境来判定它的真实语义。随着人工智能的兴起,词义消歧在诸多高新领域中的应用越来越多,已经成为了一个自然语言处理中需要解决的重要难题。通过对词义消歧领域知识的研究结合机器学习的相关知识,本文提出了一种基于深度信念网络(Deep Belief Network,DBN)的词义消歧方法,并以传统的基于贝叶斯模型的词义消歧方法和基于受限制玻尔兹曼机(Restricted Boltzmann Machine,RBM)模型的词义消歧方法作为对比。本文所提出的方法具有很强的分类能力,歧义词的消歧准确率比传统方法也有了很大的提高。本文的研究内容分为如下几个部分:首先,介绍了词义消歧的研究目的和意义,对国内外的研究现状和发展趋势进行了分析,并介绍了一些国内外权威的词义消歧方法以及课题的主要研究内容。其次,研究了自然语言学中的一些基础的知识,并对《同义词词林》做了详细的介绍。详细说明了贝叶斯分类器、RBM分类器和DBN分类器的消歧特征的选取过程。对于贝叶斯分类器本文以歧义词汇左右邻接的四个词汇单元的词形和词性作为消歧特征来判定歧义词的含义,对于RBM分类器和DBN分类器以歧义词左右邻接的四个词汇单元的词形、词形和语义类作为消歧特征来判定歧义词的含义。最后,使用DBN来构建词义消歧模型。结合SemEval-2007:Task#5的训练语料和哈尔滨工业大学语义标注语料库来优化DBN的参数。使用SemEval-2007:Task#5的测试语料对词义消歧分类器进行测试。本文以贝叶斯分类器和RBM分类器为参照,共进行了三组实验。经过实验对比,DBN分类器的消歧能力要高于贝叶斯分类器和RBM分类器。