在自然语言理解领域，词义消歧(Word Sense Disambiguation-WSD)是基础研究课题，也是重点和难点之一。作者在统计的框架下，多方面地考察词义消歧问题，得到了一些较好的结论，并在此基础上开发了HITIRWSD系统。　　有指导的消歧模型准确率不理想有三个因素，分别是模型假设不合理，特征选取不全面，和训练语料的知识不完备。本文的2～4章分别针对这三个因素，做了详细地分析和改进。　　模型的假设越合理，其准确率就越高。在考察了支撑向量机（SVM），最大熵（ME），贝叶斯（NB）三种模型后，本文得出了SVM要优于另外两个模型的结论。其原因在于SVM模型能够考虑到上下文词语之间的相互联系，从而突破上下文词语独立这一不合理假设。另外本文还提出了基于位置信息增益的贝叶斯模型，修正了位置无关假设，从实验结果可以看到，其消歧效果要优于SVM。　　特征选择一直是分类问题的重要环节。上下文词语，上下文词性，词语搭配，句法信息都能单独作为词义消歧的特征。本文首先探讨了四种特征的使用特点，然后通过实验得出结论：上下文词语是最为有效的特征，将四种特征组合起来使用能得到最好的消歧准确率。　　扩展从训练语料上获得的知识能够提高消歧准确率。训练语料的标注是耗时耗力的，训练语料上知识不完备一直是有指导方法的软肋。本文通过指示词和同义词词林对知识进行一定的扩展，部分解决训练语料知识不完备的问题。实验证明，这种方法能在不增加标注语料的情况下提高准确率，其提升幅度约为将训练语料的规模增加四到五倍的所能达到效果。　　最后，本文介绍了HITIRWSD系统，并通过SEMEVAL-2007评测证明该系统配置灵活，准确率高等优点。