改革开放以来,县域中小企业集中集聚发展,逐渐形成具有分工合作关系的产业集群。目前部分县域产业发展主要受产业集群层次与产业链完整度制约,因此实时把握县域产业集群发展情况,对促进产业集群转型升级扶持政策的制定具有重要指导意义。本文通过深度学习技术精准识别县域内特色产业集群,构建产业图谱并完成产业链环节划分,通过对集群内部企业分布情况分析产业集群发展态势,从而提出相关发展政策建议。为解决产业集群识别过程中,人工识别周期长,文本聚类识别方法准确率低的问题,本文提出了基于ERNIE的动态K-means聚类算法和基于S＿ERNIE相似度计算模型识别县域内的产业集群,提高了产业集群识别的效率和准确率。针对K-means需要事先确定聚类数目的问题,利用手肘法通过给定阈值的方式,动态的确定K-means的最佳聚类数目。针对文本聚类前,TF-IDF、word2vec等方法对企业经营范围数据进行文本表示时,不能保留完整实体信息的问题,本文利用ERNIE模型融入了知识信息和多重注意力机制的优势,改善实体被分开表示的问题并增加关键信息的权重。对于聚类完成后仍存在一定误差的问题,本文利用python绘制簇类词云,提取产业集群关键词,提出了S＿ERNIE模型计算关键词与簇类内企业的相似度,对聚类结果进行筛选,减小了聚类的误差。最后,本文通过三个县域内的企业对产业集群识别方法进行实验验证,实验结果表明该方法相对于其他方法,准确率可以提高5%。产业集群分析中,针对集群内企业划分没有固定标准,以国民经济行业分类为划分标准不能体现企业间关系的问题,本文首先构建集群内企业的产业链环节,将企业划分到产业链上,解决了产业链划分没有类别的问题。针对分类数据量小、文本短、实体不能完整表示的问题,本文利用数据增强的方法提高数据量,使用ERNIE-text CNN模型解决实体表示不完整的短文本分类问题。针对数据不平衡导致少样本类别分类差的问题,本文在模型中添加focal＿loss函数,提高了少样本数据分类的准确率。使用公开数据集和临西县轴承产业集群验证本文方法的有效性,在所有样本中,类别少的样本准确率平均可以提高10%。最后,根据临西产业链上企业的分布情况,提出了协调产业集群发展的建议。