当下社会进入了前所未有的高速发展期,科技创新活动呈井喷趋势增长,成为推动国家经济增长和提升国家竞争力的第一动力。专利文献由于囊括了全球每年90%～95%的最新科技成果,是蕴含技术创新方案的重要知识载体,因此基于专利数据从海量的信息中挖掘出与技术相关的情报信息,可以为企业和国家制定创新发展战略提供帮助。传统的专利分析研究多使用计量统计的方法,忽略了文本中隐藏的重要信息,而近些年兴起的专利文本挖掘研究中,则存在专利文本特征提取不完整、未充分考虑文本中语义关联等问题,不能对专利文献进行深度的分析。基于以上原因,本文以专利文本为挖掘对象,考虑了专利的语义和文本特征,分别从特征提取和专利文本向量表示两个方面,提出了适用于专利领域的文本挖掘方法。其中,在特征提取上,本文选择SAO-C（Subject,Action,Object,Complement）结构作为专利的技术特征,并针对专利文本特有的语言特点,以及现有方法在提取专利领域SAO-C结构上的不足,提出了基于深度学习的SAO-C结构提取模型:Ro BERTa+BiLSTM+MLP,并充分利用大型公开数据集和部分标注的专利数据作为训练集,提高了模型的泛化能力,实现了良好的领域迁移效果。而在专利文本向量表示上,创新性提出了Doc-SAO模型,通过使用SAO-C结构向量和标题向量分别对专利文本向量进行进一步的增强和补充更新,既保留了原始文本的语义信息,又突出强调了专利SAO-C中所蕴含的重要技术信息,最终获得了包含丰富语义信息的专利文本表示。实验结果证明,以上深度学习模型在专利领域的文本挖掘任务中均具有相对优势。接着,基于获得的专利文本向量,可以计算专利的相似度矩阵,进而构建专利网络和专利地图等知识图谱。其中,在专利网络中,通过提出的核心专利识别指标体系,可以识别出重要的核心技术以及技术的整体演化过程;在专利地图中,通过对专利技术空位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见。最后,将以上提出的专利挖掘方法运用到人工智能领域,对该领域中的核心专利、技术演化、专利权人合作情况、技术的未来发展趋势做了系统的分析,研究结果可以为人工智能产业的创新发展作出规划指导。