如何快速又准确地抽取术语是自然语言处理中一项重要课题。面向学术论文领域的术语抽取研究能够有效地推动科学的发展与成果的推广。学术论文中,术语在不同的位置,如标题、关键字、摘要等文本块,具有不同的分布特征。传统的术语抽取方法忽略了术语分布的位置信息,因此,急需一种能够综合考虑术语位置信息的方法来弥补现有方法的不足。提出了一种面向学术论文的基于多策略的术语抽取方法TEM,该方法首先根据标题、摘要和关键词的不同特征,分别采用基于边界标记集、基于中文术语构词规则和基于关键词的候选术语抽取策略;接着分析了候选术语抽取的结果及错误类型,引入术语反例规则字典改进抽取结果;再结合K-近频子串归并算法对候选术语进行筛选过滤;最后利用术语的位置信息,构建了综合评分模型,采用层次分析法决策标题、摘要和关键词三个维度的权重值,根据最终的评分排序得到正确术语。此外,针对单词型术语,在TF-IDF算法的基础上引入了类别频率CF,提高了筛选的效果。在实验阶段,测试了K值变化对子串归并的影响,对比了引入CF和位置信息后术语抽取结果的变化。结果表明,相比于传统方法,TF-IDF-CF方法的准确率和召回率分别提升了5.73%和8.43%;TEM-SW方法的准确率和召回率分别提升了7.85%和11.54%,TEM-MW方法的准确率和召回率分别提升了11.62%和9.71%;更好地实现了学术论文术语的抽取。