随着移动互联网的高速发展,互联网中的短文本信息越来越多。如何对短文本中的信息进行挖掘和分析成为了自然语言处理研究领域的一个重要课题。但是因为用词的不规范以及上下文信息较少,短文本中实体的含义往往非常模糊,同名的实体指称在不同的语境下可以指代不同的实体对象,带有强烈的歧义性,这给短文本的研究任务带来了挑战。对模糊同名实体的判定包含两个主要的环节,分别是文本中模糊实体的识别以及模糊实体歧义性的消除。实体链接是消除文本中模糊实体歧义性的重要手段,该方法通过将带歧义的模糊实体链接到知识库中唯一的实体来消除实体的歧义。为了能够更好地分析文本中实体的语义,本文针对模糊同名判定过程中的两个重要环节,实体识别和实体链接展开研究。本文的主要工作和研究成果如下:（1）对维基百科进行预处理,从维基百科中提取了多种实体相关的信息,并提出了一种有效的候选实体生成方法。对于文本中的实体指称,提出了一种结合字典与神经网络的实体识别方法。在人民日报和MSRA语料上的实验表明,本文提出的实体识别方法的F1值分别达到了0.9262和0.9545。（2）根据互联网短文本的特点,提出了结合深度神经网络和图模型的BertRWR（Bert-Random Walk with Restart）算法。该方法能够充分挖掘指称上下文和实体描述文本之间的语义信息,并通过与重启随机游走模型结合进一步挖掘不同指称候选实体之间的关联信息,提升了实体链接的效果。在CNDL、NTF、NLPCC和HQA语料集上,实体链接的F1值分别达到了0.8565、0.9404、0.9200和0.8228,在这些数据集上,本文提出的方法均超过了现有的实体链接模型。最后通过自身特征影响实验和参数影响实验进一步探讨了模型中不同特征和不同参数对实验结果造成的影响。（3）设计并实现了基于前后端分离模式的模糊同名判定系统,该系统可以对歧义文本中的模糊同名实体进行识别与消歧。整个系统分为四个模块,分别是登录模块、维基百科处理模块、实体查询模块和模糊同名判定模块。