技术创新是推动经济社会发展的核心力量。针对新形势新特点,抢抓时机攻破核心技术以此来发挥技术创新的推动引领作用,是关乎国家长远发展的重大问题。新兴技术可以看作是技术创新的成果,它触发了技术的变革,不仅给人类社会带来了巨大的变化,而且在改变传统产业形态的同时创造了大量新兴产业。因此,预测和发现新兴技术显得至关重要。当前新兴技术预测研究大多基于专利文本以及新兴技术的外部特征展开,而根据新兴技术产生模式研究可知,新兴技术产生于渐进性创新过程中,可以看作多个不同领域技术的融合,因此,从技术融合的角度来预测新兴技术是符合新兴技术产生模式的,但目前从技术融合的角度预测新兴技术的研究较少。当前的技术融合研究大多基于专利共类分析法构建专利共类网络,并采用传统网络指标以及这些指标的混合运算和改进运算进行网络分析,这些指标难以准确地表示完整的网络结构信息,计算复杂度也会随数据集规模增大而大幅度增长。本文将新兴技术预测问题转化为链路预测问题,首先,提出了一种基于专利共类网络表示的链路预测模型（Link Prediction Based on Patent Co-classification Network Representation,LPPCNR）,该模型基于IPC分类号的共现关系构建专利共类网络,利用网络表示学习模型学习网络拓扑结构信息,并通过机器学习方法预测新兴技术;其次,更进一步考虑,由于专利文本中隐含着能反映技术主题的重要知识,目前尚无研究将专利共类网络中的IPC节点包含的网络特征和专利文本特征进行融合,为此,本文将专利共类网络表示与专利文本表示进行融合以预测新兴技术。为了探究最佳融合方式以提高新兴技术预测效果,提出了基于浅层融合的链路预测模型（Link Prediction with Early Fusion,LPEF）和基于卷积神经网络的深度融合预测模型（Convolutional Neural Networks with Deep Fusion,CNNDF）。LPEF模型采用浅层融合方式将节点网络表示与专利文本表示进行直接拼接和线性融合,CNNDF模型基于卷积神经网络对节点的网络表示和专利文本表示进行深度非线性融合。其中,对没有产生连接的IPC节点对进行专利文本表征这一难题,提出了IPC节点专利文本表征生成算法;最后,在华为专利数据集上进行多组对比实验,结果表明,本文提出的融合表示学习与专利文本表征的新兴技术预测模型能显著提升新兴技术的预测效果。