大数据时代的到来,加速了各行各业的快速发展,而随之也产生了大量的与学术研究相关的数据,由此,学术大数据应运而生。学者们在学术大数据的基础之上进行了大量的研究,但是却很少有人通过研究学者学术生涯初期的学术表现来评估和预测该名学者在未来的学术表现,也即是本文提出的潜力学者挖掘。潜力学者挖掘可以用来作为聘用人才、发放和分配科研基金的凭据,开展潜力学者挖掘的研究具有十分重要的意义。本文是通过学者学术生涯初期的学术数据来评估和预测该名学者未来的学术表现,因此,本文工作主要分为以下两个方面:（1）基于GBDT的组合特征构造。本文从学者作为第一或者第二作者发表论文的时间作为该学者的学术生涯起始时间,并截取这之后5年的学者数据作为判断依据。选取了用于评价学者个人学术影响力的16个特征作为评判依据,以AMiner平台上学者数据集作为基础数据集,对其中缺失的数据通过MAG提供的接口进行了补充,并通过实验确定了最优正负样本比例为1:2。将处理后的学术数据训练GBDT模型获取最优的模型参数,然后将样本数据集通过训练得到的GBDT模型,记录下样本最终落在GBDT模型中树叶子节点的位置,通过one-hot编码构造出新的特征向量。（2）潜力挖掘模型的建立。将上述得到的特征向量作为Logistic回归的输入,通过网格搜索法和交叉验证的方式确定最优的Logistic回归模型参数,通过实验验证了本文提出的潜力学者挖掘模型的准确率达到了80.3%。选用单一的Logistic回归模型、GBDT和随机森林进行对比实验,通过对比实验显示本文提出的融合GBDT和Logistic回归的潜力学者挖掘模型在准确率（Precision）、召回率（Recall）和F_score均要优于上述三个模型,说明了本方案的有效性和准确性。