在当下科研工作飞速发展的背景下,科研学者们越来越依赖于使用学术搜索系统辅助进行各种学术研究,但是随着互联网中学术数据资源规模的不断扩大以及人们更多的需求,使得学术搜索系统面临着更大的挑战。姓名消歧以及学术文本匹配作为学术搜索系统的两大关键技术,前者能够保障底层数据的准确性,后者是科研工作者最常用的功能,同时也是实现更多上层服务的基础。现有的姓名消歧方法存在以下问题:1)尚未充分挖掘有效的信息特征;2)同构算法无法提取异构的特征关系;3)消歧准确率较为低下,且容易产生离群的论文集合。同时,传统学术搜索系统基于关键字检索的匹配方法只适用于标准的文献检索,忽略了用户对语义检索匹配文献的需求。针对上述问题,本文对姓名消歧以及学术文本匹配问题进行了深入研究,主要研究工作包括:(1)提出基于元路径随机游走的论文冷启动消歧算法。相较以往的冷启动消歧模型,该算法通过使用元路径指导的思想,从不同文献属性的角度对异构学术网络中的节点关联关系进行了充分挖掘。在使用无监督聚类算法后采用规则重聚类方法,进一步合并离群的论文,相比其他算法模型,消歧准确率平均提升幅度达到28%;(2)提出融合多类别细粒度特征的论文增量消歧算法。不同于以往研究中使用单一的共著关系或者少量文献属性特征,本文所提算法模型对文献属性进行了细粒度的特征工程,其中创新性地构建了三元损失网络对文本的Embedding特征进行提取,最终应用Stacking集成学习方法进一步提升增量消歧的效果,相比其它最优算法模型提升7.2%;(3)针对学术文本的特性,提出了用于学术文本匹配的PSBERT模型。PSBERT模型在学习论文文本表征的基础上,通过交互层以及深度网络层实现了对文本显式交互特征以及隐式交互特征的学习,最终在中英文数据集上与其它方法进行实验对比,结果表明在相应评估指标上分别比其它最优算法提升2.1%和5.9%,证明了本文模型的有效性;(4)基于Tensorflow、Elasticsearch等深度学习及信息检索框架对上述算法模型进行实现,同时结合本课题组以往的研究工作,实现了具有语义检索功能的学术搜索原型系统。