人类语言中普遍存在歧义性,这给自然语言处理技术带来了困难。作为在词语级别消除语言歧义性的方法,词义消歧旨在根据多义词所处的上下文环境来确定其词义。解决词义消歧问题对于机器翻译和内容分析等上层应用具有重要意义。词义消歧技术通常针对生活中的通用文本,需要利用上下文知识和构建消歧模型实现消歧。特定领域文本的词义消歧还面临着领域适应性问题,现有的词义消歧研究工作并未对领域知识的挖掘和利用给予足够的重视。随着面向特定领域的词义消歧研究的兴起,如何充分挖掘并利用领域知识改善词义消歧方法的性能,成为一个迫切需要解决的问题。基于上述问题,本文力求以领域知识的挖掘和利用为突破口,寻找提高词义消歧性能的方法。本文的主要工作主要包含以下三个方面:1.针对目前消歧算法提取的领域关联词质量不高导致消歧召回率低的问题,提出一种基于改进的对数似然比的词义消歧方法PPRank-LLRF（LogLikelihood Ratio and word Frequency,LLRF）。融合对数似然比与词频结合的方法,提取与目标领域相关度更高的关联词,并引入图模型,通过Personalized PageRank算法判定歧义词的词义。使用Koeling数据集测试词义消歧方法的性能,和改进前方法相比,Sports领域的消歧召回率提高了 1.81%,验证了所提方法的有效性。2.针对现有的领域消歧中的语义理解方法对领域判定不足的问题,提出一种基于领域优先选择策略的语义理解方法（Field Preference Strategy,FPS）。综合考虑词义领域和文档领域信息,判定歧义句的真实领域,并选择相应的消歧上下文构建图模型来表示语义。使用Koeling数据集测试词义消歧方法的性能,与改进前方法相比,在Sports和Finance领域数据集上召回率分别提高了 0.11%和0.31%,验证了领域优先选择策略的可行性和有效性。3.针对通用文本中领域知识利用不足的问题,对FPS算法进行领域泛化,提出一种改进的领域优先选择策略（Improved Field preference strategy,IFPS）,并引入扩展的领域知识,以适应通用文本词义消歧任务。使用Koeling数据集中的BNC实例测试词义消歧方法的性能,与改进前方法相比,词义消歧的召回率提高了 0.11%,验证了 IFPS方法的有效性。