全球学术文献已经超过3亿篇,学术工作者也已达到1亿人,并按照每年13%-20%的增长率在增加。然而,这些学术信息中仅有大约3%的数据包含语义标注信息。语义缺失很大程度的影响了学术研究的效率和学术事业的发展。学术文献数量越大,研究人员越难以查全和查准,学术研究会出现重复和浪费。本文主要研究学者信息挖掘关键技术,重点研究了学者重名消歧和学者兴趣标签发现这两个关键任务。实现学者重名消歧可提高计算学者影响因子的准确度。实现学者兴趣标签发现,可提升检索速度,为用户推荐相关的学者和文章,降低获取信息成本。有效的处理这两个问题,可以解决目前学术搜索引擎检索速度慢、检索内容不全的问题。学者重名消歧任务就是将学术文献中名字相同但实际却不是同一人的学者予以区分。本文提出了一种基于网络表示学习的学者重名消歧模型。本文在目前最流行的三大数据集上进行实验,相比于目前效果最好的方法的Macro-F1值有5%-10%的提升。本文的模型将属性转换成网络节点之间的关系,所以可以轻松的扩展到其他多属性的网络中去。学者兴趣标签发现任务就是根据每个学者的文章信息为其打上兴趣标签。本文提出了一种基于网络表示学习的学者兴趣标签发现模型,本文在最大的人工标记Aminer数据集上进行实验,相比于目前效果最好的方法的准确率有2.7%的提升。本文的模型结合了概率统计模型和深度学习模型的优点,能有效的捕捉节点之间的全局关系和节点内部的语义信息。