近年来,世界发生着翻天覆地的变化,科技人才和科研成果创新成为了推动着社会进步、百姓富裕、国家繁荣昌盛的最重要力量,也是国家在未来国际关系中决胜的关键。过去对于科研成果的评价体系中,主要是以情报人员、研究人员和专家学者为主导进行评价总结,使得评价结果不够准确和客观,专家人工筛选所有资源和研究成果的工作量非常巨大,成本很高。通过梳理近几年来对于科学论文重要性评估的评判标准,发现大部分的分析方法是利用科学论文的引用信息构建数学模型拟合出科学论文的重要性,而且使用的信息主要是论文引用,采用的很多方法都是移植社会科学、经济管理学和数学等学科的成熟模型,而利用机器学习等方法评估科学论文重要性的文章较少。因此本论文重点关注如何利用多源的科学论文信息以及统计机器学习等方法来构建出客观、高效、实时的重要科学论文挖掘模型,阐述了科学论文的定向采集算法,构建了重要科学论文挖掘的图结构模型,分析了热点的研究方向。在科学论文的统计分析基础上本论文还对科学论文的重要性深入挖掘,将论文的引用、下载量、浏览量、社交网络和新闻媒体等因素结合成多源特征,在论文发表后的早期,构建了以月份为单位的时序多源特征和论文发表后两年内的状态多源特征,更加细致地刻画了科学论文早期的发展与状态情况。针对时序多源特征结合神经网络的过拟合问题,提出了新的EW-Dropout算法并嵌入LSTM模型中构成LSTM-EW优化模型,并在多源科学论文数据集上取得了85.55%的准确率和73.87%的召回率,有效地提高了模型的稳定性。将本论文构建的LSTM-EW时序优化模型和XGBoost状态模型融合取得了82.23%的准确率和80.61%的召回率,召回率远高于单个SVM、RF、XGBoost等传统机器学习模型和一些LSTM优化模型,表明了基于时序特征和状态特征的融合模型能够挖掘到更多的重要的科学论文成果。本论文也给重要论文成果的评估提供了一个新的思路,减轻了专家评估科学成果工作量,有效地利用了科学论文的互联网社交信息,结果也更加的客观、高效、准确。