作为创新载体的专利中隐藏着大量的技术和效应知识,实现基于效应的专利分类可以让设计者通过阅读不同领域中使用相同效应的专利,使其思维得到极大的延伸和拓展,为其创新提供帮助。目前基于效应的专利分类以概念图匹配的方式为主,该方法存在容错性差、实用性低的问题。近些年来,深度学习方法在文本分类上得到了广泛应用。但是由于专利存在涉及领域广,特征提取难等问题,导致深度学习模型在专利分类上效果不佳。对此,本文提出了一种主题化表达的概念及其获取方法,并在其基础上提出了融合主题化表达与注意力机制的深度学习模型（T-Bi GRU-ATT模型）,该方法能够将专利主题化表达与文本特征结合形成质量较高的专利特征用于专利分类。本文的主要工作及创新点如下:（1）提出了一种主题化表达的概念用于专利分类,并且基于主题化表达的概念提出了融合专业术语的专利主题化表达获取方法。首先提出了一种专业术语的提取方法,然后构建了融合加权专业术语的主题模型对专利数据集进行主题提取,之后又提出了一种“效应-主题”共现网络的概念用于获取专利的主题化表达,解决了主题生成质量不高、模型实用性不佳的问题。（2）提出了一种融合主题化表达与注意力机制的深度学习模型（T-Bi GRU-ATT模型）,该模型通过引入多种注意力机制融合了专利文本特征与主题化表达对专利进行分类,有效提高了模型判别性,解决了专利特征难以提取以及主题化表达忽略上下文信息的问题。在实验阶段,本文使用了属于25个物理类效应的5000条专利对所提出方法进行了有效性验证。实验结果表明,在同等硬件和软件环境下本文提出的专利分类方法的准确率达到了77%以上,召回率达到了71%以上,F1值达到了73%以上。