中文包含很多多义词，结合不同的语境可以表达截然不同的意思。词义消歧的概念是针对计算机在自然语言处理领域中的应用提出来的。期望通过算法模型，使计算机明确语境并自动选择歧义词汇的正确语义。词义消歧可以增强计算机使用和理解自然语言的能力，在机器翻译、文本分类等领域的应用越来越广泛。词义消歧已经演变为自然语言处理中亟待解决的重要课题。
　　本文研究的是一种基于K-means聚类与LSTM(Long Short Term Memory, LSTM)的词义消歧方法。构建半监督K-means聚类器，对无标注语料聚类，将聚类得到的语料加入训练语料优化LSTM模型，并测试LSTM模型的性能。本文主要进行了以下几个部分的研究：
　　首先，分析了国内外关于词义消歧的文献，对目前的研究现状和发展有了了解，明确了词义消歧的目的和意义，总结了词义消歧技术面临的困难和发展趋势。
　　其次，介绍了实验所需的《同义词词林》词典及语料库。研究了词义消歧特征工程方面的相关知识，详细描述了K-means聚类器的聚类特征和LSTM分类器的消歧特征的预处理和选取的过程。详细说明了贝叶斯分类器和LSTM分类器的消歧过程。
　　最后，构建半监督K-means聚类器，对无标注语料进行聚类。在有标注语料中选取若干个聚类中心，选取一条无标注语料，计算它到每个聚类中心的距离。若到某个聚类中心的距离小于阈值，则将其取出放至该聚类中心所在的类。所有无标注语料计算完成后更新聚类中心。重复这一过程，直到有标注语料中的聚类中心不再更新。将聚类得到的语料加入训练语料扩充训练语料的规模，使用扩充后的训练语料训练LSTM消歧模型，优化LSTM的参数，并对测试语料进行了消歧。实验结果表明：本文所提出的消歧方法的消歧能力高于LSTM分类器、DBN分类器和贝叶斯分类器。