科研团队学是科学学的重要研究方向之一。有效识别学术团队是分析和理解学术团队合作模式的基础。学术团队成员推荐是优化学术团队的重要手段。研究表明成员间具有较高熟悉度的学术团队会达到更高的团队合作效率和团队绩效。然而现有研究中没有针对学者和团队其他成员之间熟悉度的测度。因此本文基于网络模体提出了团队多阶熟悉度的定义,并提出了结合熟悉度的学术团队识别方法和学术团队成员推荐方法。首先,本文分析了学术团队相关问题和团队熟悉度的研究背景及意义,总结了相关工作中对学术团队识别和成员推荐问题的解决方案。然后介绍了网络模体的概念,并分类总结了网络模体的结构型测度和统计型测度。然后基于网络模体提出团队多阶熟悉度的概念和计算方法,并将熟悉度应用于学术团队识别和成员推荐问题中。对于学术团队识别问题,本文融合团队多阶熟悉度提出学术团队识别算法。根据学者合作关系的紧密程度进行初步聚类,并结合团队熟悉度和节点密度优化。通过抽取MAG数据集的论文信息,整合了一个包含作者机构信息的数据集。将本文提出的团队识别算法应用于该数据集中,验证了方法的有效性,并通过识别出的学术团队和学者机构信息分析学术合作模式,发现跨机构的团队比例逐年增加且一定团队规模下绩效更高。对于学术团队成员推荐问题,本文提出了一种图核相似度计算方法,该方法同时考虑了学者技能匹配、结构匹配和团队熟悉度提高,为团队推荐相似度最高的候选者。通过解析CiteSeerX数据集的论文信息,获得了包含合著团队的实验集和验证集。实验结果表明本文提出的算法推荐的准确率更高,在团队的产出质量,沟通成本和团队结构方面都比基准方法的效果更好。