学术文献既是研究成果的主要表现形式,也是研究人员开展学术交流与研究活动的主要信息来源,其主要由前置部分和主体部分构成,前置部分包含题目、作者、摘要、关键词等要素,而主体部分则包含了正文、参考文献、附录等。学术文本的结构功能是从文本内容角度对学术论文的篇章结构和章节功能进行描述和概括,该结构功能通常根据IMRAD模型可划分为“引言”、“方法”、“结果”、“讨论”,这种结构化的功能划分有助于更细粒度的展示学术论文的逻辑结构,便于研究人员进行更深层次的研究,因此在图书情报、信息科学等领域,学术文本的结构功能识别成为学术论文知识挖掘的重要内容。目前,大多数面向学术文本的研究仍处于初级阶段,存在很多问题。因此,本论文面向学术文献数据,选取不同层次和领域的学术文本搭建深度学习实验环境,并通过对现有主流的方法进行改进,以进行学术文本结构功能识别,主要工作如下:学术文献的摘要由目的、方法、结果等结构组成,这些结构具有特定的功能。目前,针对摘要功能结构识别的研究不多,且存在识别效率不高的问题。鉴于此,本论文引入Bi RNN、Bi LSTM、Bi LSTM-CRF、BERT等深度学习模型,对1232篇情报类期刊论文进行摘要结构功能识别研究。本论文引入5折交叉验证法进行多次实验,以避免一次实验的偶然性;实验结果用“均值±标准差”形式表示,同时考虑模型的平均性能和稳定性;实验结果用F1值进行评价。实验结果表明,与Bi RNN、Bi LSTM、Bi LSTM-CRF等模型相比,BERT模型具有最高的均值和最低的标准差,这表明该模型不仅具有最优的结构功能识别能力,而且性能稳定,该模型特别适用于摘要结构功能识别任务。学术文献的结构功能识别问题是学术大数据知识挖掘与分析的重要研究热点,如何从中挖掘有效的知识有助于从更深层次、更细粒度理解学术文献,从而促进学术文献语义理解的发展。本论文以学术文献的章节段落为研究对象,对CNN、LSTM、BERT等深度学习模型的学术文献章节段落的结构功能识别性能进行比较研究,并与传统机器学习算法SVM进行了对比实验。CNKI语料集上的实验结果表明,与SVM和LSTM、CNN模型相比,BERT模型具有更优的结构功能识别性能,其在整体识别性能上F1值达到0.66,在具体结构功能的识别性能上F1值最高达到0.79。此外,通过引入混淆矩阵,对功能结构误识情况进行分析。误识分析表明,BERT模型能够较好地完成学术文献结构功能识别任务。学术文献的结构功能对于提高信息检索、关键词提取、引文分析等应用的效果有着关键意义,因此对学术文献的结构功能进行自动识别有着重大的理论价值与现实意义。针对章节内容所蕴含的大量语义信息以及中文学术文献的特殊性,本文使用Bi LSTM模型和注意力机制对学术文献中章节内容的字、词以及部首特征进行深层次语义提取,提出融合字、词以及部首等特征的基于章节内容的结构功能识别方法。本文以750篇图情领域期刊论文的章节内容作为实验语料集,将所提方法与当前主流方法进行了对比实验,实验结果表明,本文所提方法的准确率、召回率、调和平均值分别达到0.75、0.74、0.74,超过了所有的对比方法,证明了所提方法的有效性与优越性。此外,本论文引入混淆矩阵,对所提方法的错误识别结果及成因进行分析。