随着国内高校科研管理信息化的不断发展,各类科研文档数据迅速增长,如何有效地组织和利用这些科研文档数据,是目前亟待解决的问题。层次主题模型能够挖掘文档集中隐含的主题信息以及主题之间的层次结构关系,可以对数据进行深入地理解和分析。然而,没有融合任何先验知识的无监督层次主题模型往往产生较弱的主题层次结构,为了解决这一问题,本文对融合知识的层次主题模型进行了深入的研究,并对其在科研管理平台上的应用进行了探索。本文针对具有标题信息的文档数据集,提出了一种新的融合知识的层次主题模型KHLDA(Knowledge-fused Hierarchical Latent Dirichlet Allocation),该模型能在对文档集进行层次化主题建模的过程中融合文档集中丰富的词汇相关性知识,同时还可以有效利用文档标题对文档主题的导向性作用。我们在科研文档数据集上评估了使用该模型进行层次主题提取的效果。实验结果表明,KHLDA模型充分利用了文档中存在的知识,能有效提高模型的层次主题提取能力。此外,本文将KHLDA模型应用于科研管理平台,基于该模型得到的科研文档集中隐含的层次主题结构,实现了从层次主题角度对科研文档的组织、检索和分析,主要包括层次主题可视化、基于层次主题的文档检索与推荐、层次主题演化。KHLDA模型有效地挖掘了科研文档中的潜在信息,丰富了理解和分析科研文档的方式,具有较高的研究和实际应用价值。