面对全球激烈的竞争及技术垄断的局势,积极引导科技创新活动开展以寻求技术机会,成为企业及国家维持、提高市场竞争力的重要战略任务。专利文档作为创新活动产出的有效证明材料,囊括了全球不同国家90%以上的创新实践成果。通过专利数据挖掘可以为企业和国家制定创新发展战略提供重要情报信息。传统的专利分析研究多使用计量统计的方法,忽略了专利文本中的核心技术表达。随着深度学习和自然语言处理技术的发展和成熟,文本挖掘成为热门的研究方向。在专利文本挖掘领域,由于专利文本半结构化及长短文本结合的特征,直接应用深度学习相关模型进行专利文本的深层次分析,往往效果不佳。基于以上原因,本文以专利文本为挖掘对象,考虑专利的语义和文本特征,提出了适用于专利领域的文本挖掘方法。本文迁移学习短文本挖掘模型的思想,将IPC分类号与专利标题这类核心主题类短文本进行主题词拓展,并结合词向量Word2vec与GLDA（Gaussian Latent Dirichlet Allocation,GLDA）构建深度主题特征提取模型。通过GLDA模型为专利文档的关联特征建模,使用Word2vec词向量为词汇间的相似性建模,从而使模型能够同时表达文本的全局特征和局部特征。同时,通过主题词汇拓展有效区分了不同词汇的主题表达贡献度,突出专利文本中的关键主题信息,有效处理了专利标题等主题语句存在的稀疏性问题,提高了文本向量表示的准确性。实验结果证明,本文提出的基于主题词拓展的改进Word2vec-GLDA主题概率模型在专利领域的文本挖掘任务中具有相对优势。接着,基于特征主题挖掘模型获得的专利及主题向量数据,构建主题网络并从专利综合质量以及主题网络影响力两方面识别核心技术主题,进一步对相关领域的技术发展路径做出判断。同时,在专利文本向量的基础上,计算专利的相似度矩阵,构建可视化专利地图等知识图谱,并通过对专利地图中的异常专利进行筛选、梳理和总结,可对技术未来的发展做出合理的预测。最后,将以上提出的专利挖掘方法运用到智能制造领域,对该领域中的核心专利、技术演化、技术的未来发展趋势做了系统的分析,研究结果可以为智能制造产业的创新发展做出规划指导。