互联网上累积的海量多源文本数据中蕴含着丰富的与产品相关的领域知识。从海量多源文本数据中挖掘知识并为产品概念设计提供决策支持已成为概念设计研究中的重要目标。本文针对当前多源文本数据环境下产品概念设计理论与实践中存在的问题,对面向概念设计的多源文本数据领域知识挖掘及支持概念设计方案决策的方法进行研究。论文的创新性研究工作主要包括以下几个方面:研究面向概念设计的多源文本数据领域知识挖掘流程并提出领域知识挖掘方法。在对多源文本数据中蕴含的概念设计知识特征以及表征形式进行分析的基础上,研究概念设计的领域知识挖掘流程。在该流程中,针对产品技术术语识别数据集不易标注的问题,本文提出了CD-BERT（Conceptual Design-Bidirectional Encoder Representations from Transformers）预训练语言模型。CD-BERT模型通过自监督预训练的方式深入文本的句法以及语义层面学习产品多源文本数据中蕴含的基础领域知识。结合条件随机场（Conditional Random Field,CRF）模型,本文进一步提出CD-BERT-CRF技术术语集合生成模型。构建的CD-BERT-CRF模型使用迁移学习的策略继承了CD-BERT模型学到的基础领域知识,从而极大地提高了产品技术术语识别的效果。最后使用词嵌入技术将符号化的技术点间的关联关系映射到连续的实值语义向量空间中,以解决符号形式的领域知识不易挖掘的问题。针对现有产品功能需求分析方法难以应对产品短文本数据内容稀疏性导致的词共现信息不足的挑战,本文提出BCK-TM（Biterm Correlation Knowledge-based Topic Model）模型,旨在从短文本数据中挖掘产品功能需求。BCK-TM模型通过构建全局词对共现模式,有效地解决了产品短文本中词共现信息不足的问题。此外通过在BCK-TM模型潜在的主题层构建马尔可夫随机场知识融合机制,也解决了现有方法在功能需求分析过程中难以融合领域知识的问题,进而实现了数据与领域知识融合驱动的产品功能需求建模。本文提出的BCK-TM模型能够提高产品功能需求挖掘的质量,从而更有效地支持研发人员开展产品功能需求分析决策。针对当前支持概念设计方案生成决策的技术要素挖掘方法难以融合文本数据中包含的领域知识,导致产品技术要素挖掘结果信息含量低且连贯度差等问题,本文提出基于领域知识的产品技术要素挖掘模型—MTCK-LDA（Mixed Tec Correlation Knowledge-based Latent Dirichlet Allocation）模型。为了在挖掘产品技术要素过程中融合领域知识,本文提出了适应产品技术要素挖掘任务的领域知识表征形式。通过在提出的MTCK-LDA模型中构建混合马尔可夫随机场知识融合机制,赋予了模型在技术要素生成过程中融合技术术语关联知识的能力,进一步提高了挖掘的技术要素的信息含量以及连贯度,从而为辅助研发人员开展产品方案生成决策提供了更有效的支持。针对现有定量技术预测方法在支持概念设计方案评价中效果不佳的问题,本文提出基于多源文本数据的产品技术进化预测模型—SE-MVTTP（Scheme Evaluation-Multi View Technology Trend Prediction,SE-MVTTP）模型。提出的SE-MVTTP模型使用多序列长短期记忆网络分别对反映产品技术进化过程的科学研究以及技术研发视图进行表征学习。为了捕捉产品技术进化过程中不同视图间可能存在的动态相互影响,本文在SE-MVTTP模型中设计了双向时序动态注意力机制。最终上述构建的模型使用多任务学习机制同时对不同技术活动视图中的技术进化趋势进行预测。相比于传统的技术预测方法,本文提出的模型能够挖掘客观、准确的技术进化趋势型知识,从而为研发人员开展技术方案评价决策提供参考。在以上研究的基础上,以智能数控系统为例,运用本文提出的方法为智能数控系统概念设计方案决策提供支持,验证本文提出方法的有效性。