近年来，随着自然语言处理（NLP）技术的迅猛发展，大规模预训练模型在诸多实际场景中取得了显著成就，但与此同时，其内在偏差问题也日益凸显，严重影响了模型在公平性、鲁棒性以及社会伦理等方面的应用。传统的偏差消除方法主要依靠数据增广、微调及人工标注等手段，虽然在一定程度上缓解了偏差问题，但往往难以从根本上消除模型所固有的系统性偏见，且在处理复杂语义和跨领域任务时存在适用性不足。本文聚焦于因果推断在 NLP 模型偏差消除中的应用，系统梳理了基于因果干预和反事实推理的最新研究成果。通过构建结构化因果模型，研究者能够更清晰地识别混杂变量和非因果关联，从而实现对模型偏差的精准调控。文中不仅总结了文本分类、情感分析、多轮对话和多模态任务中因果消偏技术的具体实现及其优劣对比，还深入探讨了当前方法在数据质量、模型复杂度和泛化能力等方面面临的挑战。本文旨在为后续相关研究提供理论参考和实践借鉴，展望因果推断与深度学习相融合的前景，以及在更广泛NLP 应用中构建公平、可靠模型的潜在路径。