基于文献被引频次的传统引文分析方法已广泛应用于学术评价等领域,但该方法将所有的引用同等看待,未能有效区分不同引用之间的具体差异。随着全文文献数据库的普及以及文本信息处理技术的发展,图书情报领域的学者开始采用机器学习和自然语言处理技术对引文文本进行细粒度的分析和处理,尝试从引用功能、情感等多方面对引用进行有效区分,引文文本自动分类逐渐成为研究人员关注的焦点,但相关自动分类方法的准确性还有待提升,将自动分类结果应用于引文分析的相关实践也较为缺乏。本文首先对引文自动分类的实现方法进行了探索,从引用功能、引用情感和引用深度三个角度构建了自动分类器。在引用功能和引用情感分类上,使用了基于特征工程的统计机器学习以及深度学习方法在公开数据集上进行实验。结果表明,在引用功能分类上,添加线索词和引用标签的位置关系特征能够明显提高分类效果,宏平均值提升了约8%;在引用情感分类上,得益于在超大规模语料上的预训练,基于BERT模型的深度神经网络也在不同程度上超过了其他方法。在引用深度分类上,本文提出了一种采用无监督学习算法对引文文本进行自动聚类的方法实现自动分类,并通过对聚簇中心特征向量的分析,论证了本文提出的引用深度分类方法的有效性和合理性。在引文自动分类器构建完成的基础上,本文对两个数据集进行了相关计量分析,从引用内容层面归纳一般结论:（1）第一个数据集包含计算机领域1738篇论文的125620条引文文本。数据分析表明:计算机领域引文文本的引用功能和引用情感具有相关性。在位置分布上,引用功能呈现较为明显的“背景-基于-使用-比较”位置分布特征,引用情感当中正面引用集中于文章的开头,负面引用在文章开头和结尾的占比均较高。在数量分布上,功能为“背景”和“使用”的引用占比较高,情感为“中性”的引用占比较高,负面引用少于正面引用。（2）第二个数据集包含《Latent Dirichlet Allocation》这篇高被引论文的4132篇施引文献中的7884条引文文本。首先对不同类型引文文本的时间演化趋势进行了分析,将高被引论文的发展阶段划分为三段;随后分析了不同学科的引用差异,结果表明不同学科在引用类型上存在显著差异。在此基础上,本文还对负面引文文本进行了细粒度的内容分析,将负面引用归纳为基本原理、工程实现、结果评价、应用场景四个主题,使相关研究员能够更清楚地了解该被引文献的不足,对后续研究具有指导和借鉴意义。本文提高了引文文本自动分类结果的准确性,并将引文自动分类应用于两个引文数据集的数据分析中,论证了引文自动分类在引用内容分析中具有重要的作用和科研价值。