词义理解是人在阅读中必备的一种能力,也是考试阅读理解中重要的一项考察内容。词义理解题通常有两种形式:（1）词义辨析题:给定目标词语及其释义,判断该释义是否为目标词所在上下文的意义。（2）词义解释题:给定目标词及其上下文,给出目标词的意义解释。本文针对这两类挑战性问题提出了相应的解决策略。本文的主要工作如下:（1）尝试了基于相似度的多策略词义辨析题解答方法。本文从词义辨析题的解答难点及人类解题的思路出发,对语义一致性、情感一致性、语境语义一致性等策略进行了融合,从而达到多策略答题的目的。依据这种思想,我们实现了两种方法:基于传统机器学习的方法、基于深度学习的方法。为解决数据匮乏问题,还结合错误选项特点利用启发式信息自动构建了一个大规模数据集。实验结果表明,本文所提方法获得了比基线方法更好的性能。（2）提出了基于VAE-BERT框架的词义解释题解答方法。词义解释题需要生成符合文意且准确的释义,我们将VAE与BERT两种模型结合在一起,融合两个模型的特征,使之可以生成内容更丰富具体的释义。变分自编码器（VAE）是一个生成式隐变量深度学习模型,它的本质是提取数据的特征,构建从隐特征到生成目标的模型。BERT作为近年来自然语言处理最具突破性的一项成就,它作为预训练语言模型可以更好的获取的语义信息。同时,我们运用词典等外部资源,半自动化构造了相当规模的数据集,并在上面进行了验证。（3）词义理解题解答系统的构建。本文针对上述所提方法设计并实现了一个词义理解题答题系统,该系统由两部分组成:1)词义辨析题解答模块;2)词义解释题解答模块。本文还通过具体案例对系统进行了测试,并且对相关界面进行了展示。