随着计算机技术、信息数字化和网络化技术的迅速发展,学术领域发生了巨大的变化,越来越多的研究人员从网络中寻找学术论文来作为研究的理论支撑。然而由于网络中学术论文数量庞大,内容庞杂、质量不一,研究人员需要花费大量的时间查找、选择需要的论文,浪费了大量的科研时间。在更坏的情况下,有可能花费了大量时间却不能找到科学研究所需要的论文。因此,如何根据用户的需求主动为用户推荐学术论文和作者成为了研究热点。本文主要研究学术建模和学术推荐的关键技术,以高效地向用户推荐个性化的学术资源。论文在对基于主题的学术建模方法、社区发现算法、学术引用网络构建方法以及学术推荐算法进行研究的基础上,提出了一种基于主题社区和双层引用网络的学术推荐方案,实现了基于该方案的学术推荐引擎以向用户推荐作者和论文,并通过实验确定了方案的相关参数、对方案的效果和优势进行了验证和对比分析。本文提出的方案包括一种新的主题模型,ACTTM (Author Community Topic Time Model,作者社区主题时间模型),一种包含了作者层和论文层的双层引用网络,用户兴趣模型,以及作者和论文列表生成方法。ACTTM模型在AT (Author Topic,作者主题)模型和TOT (Topic Over Time,时间主题)模型的基础上添加社区变量,能够分别对作者的社区信息、社区的主题信息和主题的时间信息建模。双层引用网络在作者层依据ACTTM模型构建作者社区,并根据本文提出的权威值、多样值和流行值三种属性及其计算方法来描述作者、论文的属性。基于ACTTM模型和用户的历史操作记录,生成用户兴趣社区列表并计算用户属性值,构建用户兴趣模型,最后根据双层引用网络和用户兴趣模型,为用户推荐作者及其学术论文。基于本文设计和实现的基于上述方案的个性化学术推荐系统,验证了ACTTM模型构建的作者社区的模块度较高,并能够反映社区随时间的动态变化；基于双层引用网络的个性化学术推荐方案通过在社区内部计算待推荐的作者和论文,能够有效降低推荐算法的计算复杂度,提高推荐准确率,并提供更加多样化的推荐结果。