科技文本内容的分析和利用一直是情报学科研究的关键问题。当前,科学技术进入快速发展阶段,各领域积累了大量科技文献,传统以文献为粒度的文本挖掘方式不利于用户获取和利用科技文献中的知识内容。为更深入有效地利用科技文本,就必须突破这种以单篇文本为粒度的挖掘方案,从更细粒度的角度深入到对科技文本潜在知识内容的挖掘。科技文本的挖掘和利用对整个科学的发展起着重要的作用,特别是人们所重点关注的科技文本中的研究问题、解决方法等细粒度、深层次内容,这些都是人类重要的知识积累。鉴于此,本文面向科技论文中“问题-方法”相关知识的利用,进行科技文本的知识挖掘研究,具体分为两个部分,包括知识单元和知识关联,对于一个特定领域的细粒度知识挖掘,它们常分别对应于实体和实体关系。本文以人工智能领域为实证对象,以科技文献摘要为数据源,进行“研究问题”、“解决方法”对应的知识单元与知识关联抽取研究。综合使用基于通用神经网络（如Bi-LSTM）的方法和基于预训练语言模型（如BERT、Sci Bert）的方法,开展研究问题、解决方法实体的识别和抽取研究,并综合比较各模型在人工智能领域实体识别上的效果。随后,以人工智能领域知识演化为应用场景,将最佳模型应用于人工智能领域全量摘要集,并结合时间因素统计所得的问题、方法实体,从不同年份上问题、方法的分布以及不同问题、方法的年度分布两个角度展开分析,发现了人工智能领域持久具有代表性的研究问题和解决方法以及不同问题、方法的演化趋势。以问题、方法的实体识别结果为基础,开展人工智能领域科技文本的知识关联研究。基于有监督词嵌入关系类比和无监督相似度计算方案,挖掘问题-问题高相关和层次关系、问题-方法解决关系以及方法-方法高相似和层次关系。最后,基于实体关系发现研究成果,以人工智能领域知识问答为应用场景,选定一个具体的研究问题实例,进行人工智能领域实体关系发现应用原型可视化设计,直观地展示问题、方法实体间的关系以及问题、方法的分布与演化规律。