专利是世界上最大的技术信息源,包含了世界百分之九十以上的科技信息;作为知识产权的核心要素,集中体现了科学技术的发展水平,专利不仅是企业乃至各国争相掌握的重要资源,更是能促进人类科技成果普及、推动科技创新的重要动力。基于专利进行分析,可以了解领域发展现状,及时把握技术发展热点和趋势,以便更好的发现技术机会和进行战略布局,从而有效的提高企业的竞争能力。但是,专利撰写工作量巨大,除了要描述清楚技术信息外,还包含了大量经济和法律信息,此外编写语言也要严格规范,语句和词语使用要严谨,严防侵权。这使得专利的编写一直是专利申请者申请专利路上的一道难题。本文在自建的新能源汽车专利数据集上深度探索专利文本数据特点,以辅助写作为目标深入研究辅助写作相关的关键词抽取技术、文本分类技术以及相似度计算这三大关键技术。本文提出的专利辅助写作相关技术均为具有针对性的技术方法,实验结果表明,本文方法在专利数据集上均取得了更好的实验效果,对专利深加工、专利侵权以及构建专利辅助写作系统等下游研究具有重要意义。本文的主要创新和贡献点如下:（1）提出了一种融合义原与五笔特征的中文专利关键词抽取方法。通过将BERT向量与义原向量和五笔向量进行融合,来捕捉输入序列的语义特征和字形特征,再以词频为权重对特征向量进行赋值,丰富了特征表示的全局信息,最后通过Bi LSTMCRF模型来完成针对专利数据集的关键词抽取任务。实验结果表明,本文方法针对专利文本所抽取的关键词更具原文代表性,效果优于其他基线模型,本文方法!值达到了84.90%。（2）提出了一种基于特征融合的中文专利文本分类方法。通过提取新的重要专有名词更新词表,将经过BERT预训练得到的句子向量与重要专有名词向量进行融合,并将专有名词的TF-IDF值作为权重值进一步与句子向量进行特征融合,改善了专利文本因存在大量未登录词而造成的分类结果不理想的问题。实验结果表明,本文方法针对专利文本的分类效果优于其他基线模型。本文方法!值达到了81.23%。（3）提出了一种结合专利外部特征的WIA-MA-Tree-LSTM相似度计算方法。通过将多头注意力机制与Tree-LSTM结合的方式,将专利文本（W）用依存关系树表示,并在其基础上引入专利的外部特征,同时将文本对中一段文本的特征作为另一段文本的外部特征输入。首先第一层MA-Tree-LSTM通过多头注意力机制引入专利的发明者（I）与申请人（A）信息作为外部特征,第二层MA-Tree-LSTM将文本对中一段文本的特征作为另一段文本的外部特征输入作用在Tree-LSTM的子节点上,赋予子节点不同的权重计算出文本对的相似度值,以此完成文本对的相似度计算任务。使文本对在考虑了专利申请信息中包含的隐藏关联的同时更关注两者相似的部分,改善了现有方法缺乏语义结构信息导致精度低的问题。实验结果表明,本文方法针对专利数据集的相似度计算结果更加准确,优于其他基线模型。本文方法Pearson相关系数达到了0.71,同时均方误差低至0.29。综上所述,本文针对新能源汽车领域专利数据集的特点,应用深度学习方法深入研究了专利辅助写作任务中的关键性技术,包括对专利基本信息和摘要进行关键词抽取、文本分类和相似度计算等技术。本文所述模型一定程度上解决了专利辅助写作技术中的部分难题,对专利辅助写作的下游研究具有重要意义。本文的研究成果对于提高专利申请书写效率、有效避免专利侵权和有效利用研究资源,避免重复性技术研究都具有重要的意义。