科学论文是科学研究者进行学术成果交流的重要载体,随着文献数量的日益增长,传统期刊以线性结构出版论文的方式已经越来越难以满足读者快速定位知识的需求。科学论文的篇章结构解析能够为检索、定位、组织科学论文中的知识提供关键的位置信息,是科学论文深层次语义理解与挖掘任务的关键步骤。本研究以信息管理领域英文期刊的研究型科学论文为研究对象,探索不同的篇章结构解析方法,以实现篇章结构的自动识别。本研究的主要工作包括以下几个方面:（1）信息管理领域篇章结构模型的构建。本研究使用定量分析和定性分析相结合的方法,构建了面向信息管理领域的篇章结构模型,包括五个模块:引言、文献综述、研究方法、研究结果和讨论与总结。（2）将科学论文篇章结构解析转化为文本分类问题,使用传统机器学习方法和新兴的神经网络方法探究科学论文篇章结构的自动化解析。①改进现有的特征提取方式并进行验证。本研究最初提取了四种特征,包括动词的曲折变化、引用/指代特征、谓语动词特征和主谓搭配特征,然后对后三种特征的提取方式进行了改进,并在支持向量机和随机森林两种分类算法上进行对比验证。引用/指代特征在原有文献引用特征的基础上,加入图指代、表指代等更多的标记,统计结果显示不同的引用/指代特征在不同的模块中呈现出较大的分布差异,实验结果证明多种引用/指代特征的分类性能要优于单一的文献引用特征;谓语动词特征的提取加入句法分析的结果,并利用潜在语义索引技术将相关词转化到同一语义空间,既实现语义的聚合又能够达到降维的目的,这种方式相对传统表示方式在分类性能上提升了 15%,是对篇章结构识别最关键的影响因素;本研究依据不同的模块,提取了对应的主谓搭配特征,并基于现有的主语分类体系对主谓搭配特征进行归类,实验结果显示归类后的主谓搭配特征的分类性能要优于传统提取方式。②采用多特征联合建模,对比不同特征对篇章结构识别的影响和相互作用。实验结果表明,使用动词曲折变化特征、引用/指代特征和谓语动词三种特征联合建模,使用SVM算法作为分类器的方式获得最佳的分类性能,加入主谓搭配特征后使用四种特征建模的效果反而有所下降,说明过于分散的主谓搭配特征抑制了其他特征的作用,而前三种特征都具有促进意义,最终在支持向量机算法上达到了最好的分类结果（F=0.58）。③本研究使用深度学习技术FastText模型进行篇章结构识别,发现该方法整体性能要优于传统机器学习方法,获得F=0.62的分类性能,相较于传统机器学习方法提升了 4%。（3）将篇章结构识别转化为一个序列标注问题,使用序列模型探索篇章结构的自动解析。首先本研究分析了科学论文篇章结构中的序列信息,利用包含序列信息的位置特征进行二次分类,发现周围文本所属的模块信息能够为未知段落的识别起到指示作用,因此使用传统机器学习序列模型CRF和深度学习序列模型BiLSTM-CRF,进行段落层次的篇章结构解析探究。实验结果显示深度学习序列模型具有最好的识别效果,F值为0.71,与FastText模型识别结果相比提升了 9%,表明该任务中基于序列的方法要优于分类的方法。（4）本研究通过对科学论文篇章结构解析在指导科学写作、自动文摘和引文内容分析等任务中的具体应用进行分析,揭示了篇章结构解析的应用价值。