随着计算机理论和技术的飞速发展,自然语言处理在日常生活以及学术研究中都变得越来越重要,计算词汇相似度就是其中的一个重要方面。词汇相似度计算的目标是对一对词或概念在语义上的相似程度进行量化。词汇相似度可以应用到很多重要的领域,比如机器翻译,检索系统,也可以在智能问答系统中发挥作用。本文专注于英语词汇相似度计算模型的研究。从已有研究中可以发现,基于知识（比如作为常用的知识库或本体的WordNet）的词汇相似度计算模型依赖于人工标注的知识库,通常计算简单,但规模有限且计算准确度较差;基于语料库的词汇相似度计算模型通过神经网络等复杂算法对庞大的语料库进行词嵌入,其表示能力强,但难以区分复杂的语义。因而,一类结合二者的模型,即将知识作为外部语义加入到基于语料库的词汇相似度计算模型中,成为新的研究方向。如何将WordNet知识库和词嵌入模型更有效地结合起来计算词汇的相似度是本文研究的重点,并依次提出了两种能有效结合WordNet和词嵌入的词汇相似度计算新模型。本文的主要研究贡献包括如下:（1）针对当前已有的结合WordNet和词嵌入的模型大多只涉及单一方面的外部语义,本文研究提出了一种有效结合词嵌入和WordNet中多种语义信息的相似度计算模型（DFRVec模型）。其主要思想是:除保留通过预训练得到的词嵌入的语义信息外,该模型还利用原始词嵌入分别将WordNet中的定义、词性、词形、语义关系分别通过3个新的子模型编码映射到向量空间,然后将3个子模型与原始词嵌入进行线性组合,将每一个词汇都采用一组向量来表示,用于改善词汇相似度的计算效果。（2）考虑到已有的模型在计算词汇相似度时几乎没有考虑词汇对之间的语义关系,可能导致缺失部分语义信息,本文提出了一种基于WordNet中词汇对之间的语义关系来调整从DFRVec模型获取的词汇向量表示的模型（DR模型）。DR模型由DFRVec模型和一个新的Rel Sim子模型组合而成。Rel Sim子模型将WordNet中描述的词汇对之间可能存在的语义关系划分为4类:同义与相似关系、上下位关系、其他关系、反义关系,并按照为这4类语义关系分配的不同权重参数来调整词汇对的向量表示。采用DR模型计算词汇相似度的基本思想是:先采用DFRVec模型分别生成词汇对中两个词汇的向量表示,然后采用Rel Sim子模型对这两组向量进行调整,以进一步改善词汇相似度的计算效果。（3）本文对上述提出的DFRVec模型和DR模型,分别使用4个现有不同的词嵌入模型在10个公开基准数据集上进行相似度计算实验,并与已有的13种模型（包括基于WordNet的模型、基于词嵌入的模型和基于词嵌入和WordNet的模型）的相似度计算结果进行了分析对比,验证了本文提出的模型相比现有模型在词汇相似度计算上具有更好的效果。