随着科学技术的快速发展,其在国家发展过程中的作用日益凸显,发展高科技成为大国之间战略竞争的重要手段。然而每个国家的科技资源都是有限的,一个国家不可能对所有的科研领域进行支持。因此,科学研究前沿的洞察和识别,对于科研管理者和政策制定者掌握科研的进展和动态,以有限的资源来支持和推动科学进步具有重要意义。传统的基于单一数据源（例如基于论文或专利等）的研究前沿识别结果可能会由于数据单一或限制存在时滞性、局限性等问题。本研究从多源数据融合的角度,将研究前沿识别的数据源拓展到更具前瞻性和战略性的政策文本和科研基金项目数据,采用自然语言处理、文本挖掘等方法进行主题识别,并构造判断研究前沿的指标体系,形成一套较为系统、完整的方法,可以识别某一领域的科学研究前沿,丰富现有的研究前沿探测理论,拓展研究方法体系。本研究梳理了研究前沿的概念、识别方法、数据源、基于政策文本和基金项目的研究前沿判别指标等,阐述了LDA主题模型和Critic客观赋权法的原理,在此基础上构建了基于政策文本和基金项目的研究前沿识别模型。从政策文档库和基金项目网站分别获取两类数据,采用主题模型识别两类数据的研究主题,通过计算JS散度归并两类数据中的共同主题,区分非共同主题;根据政策文本发布的时间、文档数量和基金项目的立项时间、立项数量、资助时长、资助金额等属性分别构造两类数据源中主题的新颖度和主题强度,共同主题在计算指标时还需对两类数据赋予不同的权重来区分其在研究前沿识别中的重要性差异,通过指标判别得到热点、新兴、潜在研究前沿、非研究前沿主题。本文以人工智能领域为例进行实证研究,通过本文构建的模型,得到了20个热点研究前沿主题、4个新兴研究前沿主题、3个潜在研究前沿主题以及2个非研究前沿主题,通过对论文数据进行时间切片的主题分析以及共被引聚类分析,发现有些研究主题比如人工智能在流行病预测、传播和治疗等方面的应用,确实在政策文本和基金项目中出现的时间相对于论文更早,以及本研究识别出的计算神经科学、网络安全、社交媒体等主题并未在论文数据中形成聚类簇,并通过最新的研究报告数据进一步证明了本研究结果的有效性。本研究的创新之处在于:（1）本研究充分利用政策文本的发布时间、文档数量,以及基金项目的立项时间、立项数量、资助时长和资助金额等外部特征信息,采用客观赋权法对上述特征信息指标赋予不同的权重,构建前沿主题新颖度和主题强度等判别指标,使指标体系更加合理完善。（2）本研究充分考虑不同数据源对研究前沿识别的不同贡献,对政策文本和基金项目识别出来的研究主题赋予不同的权重;此外,还考虑了不同层面的政策文本对研究前沿识别的不同贡献,对其赋予不同权重,以此区分不同类型数据源在研究前沿识别中的重要程度。本研究存在一些局限和不足:（1）在主题识别上,采用目前广泛使用的LDA模型,识别的粒度不够精细,未来可借助深度学习方法更好地挖掘语义内容,便于解读。（2）对政策文本和基金项目两类数据源的融合,仅体现在各自进行主题识别后,利用构建的指标对两类数据识别的主题进行融合识别,未来可将融合前置,进行实质的语义层面的融合。（3）由于缺乏权威且全面的政策文本数据来源,政策文本数据采集不全面,可能会对研究结果产生影响。（4）研究前沿的识别应该是全球的,本研究由于数据的获取难度、语言等因素,在实证研究中,仅选取了人工智能领域处于领先地位的美国来做分析,是有所欠缺的,未来可进一步丰富数据源,得到更为全面的结论。（5）政策文本和基金项目二者是相互促进、循环发展的,后续应继续探讨二者之间是如何相互影响的。