指标在衡量与测度综合发展和某一领域发展起到重要指向作用。一直以来,各行各业为了科学管理、有效监测自身情况,在社会经济、教育、科技、农业、军队建设发展等领域产生多种指标体系。随着大数据技术的发展,用数据管理、数据决策的呼声越来越高,各行各业掀起了指标体系研究热潮,但从开始构建指标、选择指标到最终形成指标体系,需要耗费专家大量时间才能完成。目前,很多部门经过长期研究积累了大量面向特定任务的指标,各领域指标研究产生了大量文献,通过自动化抽取技术也可以抽出大量指标。这两方面的指标能为新指标体系构建提供重要借鉴,但由于指标领域跨度广、数量庞大,专家难以快速找到相关指标,因此,研究如何从海量指标中找到任务相关的指标推荐给专家,辅助构建新的指标体系,具有较大意义。本文主要是利用深度学习技术,对特定的指标构建任务和指标元数据进行向量化表示,在此基础上实现指标向量和任务向量的文本匹配,将指标与任务相似度排序靠前的指标遴选出来,辅助专家快速选取指标,提升传统单一利用人工方法构建指标体系的时效。（1）设计了基于元数据的指标遴选基本框架。目前国内外对指标遴选还鲜有研究,本文首先形式化定义了指标遴选问题是指标与任务的匹配问题,按照信息表示、相似度计算、相似度强弱排序的流程,建立了基于元数据的指标遴选框架。面向指标遴选任务选取共有且可用于遴选的指标元数据对指标进行描述,并设计了任务表示对任务进行刻画。（2）针对不同应用场景,提出了两种指标遴选方法。当指标的任务信息充足时,采用全连接神经网络,挖掘出指标信息与任务信息的匹配关系,实现指标遴选;当指标的任务信息缺失时,训练模型缺乏有效数据支撑,先通过领域工作人员进行指标的任务信息标注,再结合孪生神经网络挖掘出指标信息与任务信息的匹配关系实现指标遴选,提出的指标遴选方法具有较强的灵活性和实用性。（3）在国防科技指标数据集上进行了指标遴选实验分析。本研究在2179条国防科技领域指标数据集上,分别验证了基于全连接神经网络的指标遴选方法和基于孪生神经网络的指标遴选方法,在遴选出的前50个指标中分别取得了72.6%和72.7%的召回率,有效实现了指标遴选。综上所述,本文聚焦指标遴选方法研究,在指标元数据的基础上,提出了基于全连接神经网络的指标遴选方法及基于孪生神经网络的指标遴选方法,能够一定程度上解决实际指标遴选过程中存在的困难与问题,对于指标遴选技术的发展具有理论意义和实际意义。