随着科学研究的发展、学者数量的增加,科研领域对于学者的研究越来越广泛深入。研究者们总是希望利用一些方法将学术圈中的优秀学者挑选出来,基于这样的想法,很多评价学者影响力的指标被提出,也涌现出了一些学者影响力预测方法,希望在早期识别出未来的优秀学者。大部分的研究更专注于对学者已展现出的学术能力进行评价,却很少对学者未展现出来的能力进行研究。本文创新性地提出了学者潜力指数算法,试图将学者的学术潜力进行衡量。学者的潜力是一个比较抽象的概念,我们说一位学者的潜力很大,其实就是对这位学者在未来的学术影响力进行了预测。因此本文的学者潜力指数算法首先对决定学者未来影响力的学者特征进行寻找,将H指数和引用量作为学术影响力的衡量标准,利用机器学习的多元线性回归模型对学者未来的学术影响力进行预测。然而,学者未来的学术影响力越大并不意味着这位学者目前的潜力就越大,因为学者的潜力需要结合学者当前以及其他同龄学者的学术状态进行综合考量。对于如何衡量学者潜力这一问题,物理学中的加速度思想给出了提示,物体之所以会有加速度,是因为受到力的作用,我们将这一理论平移到学者上,学者的学术影响力变化加速度也一定是受到了“力”的作用,可将这种“力”视为潜力。因此,在计算出学者未来的学术影响力之后,算法将学者当前的学术影响力变化加速度进行计算,得到最终的学者潜力指数。最后,本文基于微软学术图谱(MAG)数据集,对所提出的学者潜力指数算法进行了实现,为计算机领域的学者计算出潜力指数,并对相应的学者潜力指数系统进行了开发,以系统的方式对计算结果进行展示,为研究者们提供参考。