从非结构化的数字文本中识别出结构化的科研要素(科研人员、科研活动等)及其关系，对情报分析等研究有重要意义。尽管知识抽取等研究已经在或正在探索相关识别任务的思路和技术方法，但在精细化对象识别、对象间丰富的语义关系识别等方面仍面临较多问题。本论文即探索了从非结构化文档中识别精细化的科研要素及要素间多种语义关系的思路和技术方法。　　 在广泛调研了相关研究基础上，论文深入分析和总结了精细化对象及对象间语义关系识别的思路和技术方法，提炼出目前研究中的薄弱环节，并结合论文研究目标提出需要解决的关键问题，即精细化科研要素的识别、要素语义可信度计算、科研要素间关系的识别及关系的语义判断。在提出科研要素及其关系的本体结构基础上，构建出识别的总体模型和基本流程。　　 依据提出的总体模型和基本流程，论文逐一明确了四个关键问题的技术解决方案。在精细化的科研要素识别中，论文提出提取科研要素特征、识别中心词、构建词典—语法模式、学习上下文特征及构建模式检索式的技术思路。在可信度计算中，论文提出利用上下文特征构建规则和计算文档相似度的方法。在关系识别中，论文分析了科研要素间关系所依存的不同句法类型特征，分别设计出构建模式与非模式关系三元组的详细流程。在判断关系三元组语义时，论文提出计算候选关系三元组与样本语料语义相似度的方法。综合这四个关键问题的技术解决方案，即形成科研要素及其关系识别的总体技术思路。　　 基于上述技术解决方案，论文选择GATE作实验框架，人工智能领域的科技新闻作实验数据，实现了科研要素及其关系识别的实验系统。并从小数据量文本的总体识别情况、与人工标注结果对比，以及大数据量的查准率评测两个方面进行分析，验证了方案的可行性和有效性。　　 通过以上工作，论文探索出从非结构化文本中识别出精细化的科研要素及其关系的思路和技术方法，为情报分析、数据挖掘等研究工作提供了重要技术支撑。