研究自动填表理论和开发自动填表系统是时代发展进步的迫切需要。事实上,在各行各业的日常办公活动中,几乎每天都伴有大量的填写表格工作。习近平主席在中国科学院第十九次院士大会、中国工程院第十四次院士大会上的重要讲话中,明确指出不能让报表把科学家的精力耽误了。本论文响应习近平主席的号召,顺应适应时代发展进步,对自动填表进行了深入研究。传统的手工填表方式耗费大量时间、效率低且容易出错。互联网技术的快速发展改变了人们的生活方式。大量的个人信息已经存储在网络或非纸性介质上。本论文研究如何将深度学习的原理、方法和技术应用于个人信息数据的挖掘,获得自动填表所需要的有用信息数据。主要贡献有:（1）建立了一个可用于研究科学家的个人学术信息分类和实体抽取的数据集。目前在科学家的个人学术信息分类和挖掘领域,研究者较少,且没有公开的数据集。本文从百度百科、学者网、百度学术等网站爬取了两万多条数据,并将这些数据手动进行标注。（2）针对基于词向量的分类方法不能有效捕捉到字与字之间的联系,本文使用字符级别卷积神经网络模型。通过实验,选取了字符级别的RNN、RCNN、Fast Text等模型进行试验对比,使用不同的参数进行训练,实验结果表明本文使用的字符级别卷积神经网络模型取得了更好的结果。（3）由于直接分类得到的仍然是网络中的信息,属于用户输入信息,这种信息或多或少都存在冗余或者错误。而且,不同用户之间填写风格差异巨大,数据格式不统一,不利于进一步挖掘信息。为此,接下来使用一种基于预训练词向量的双向长短时记忆网络结合条件随机场的方法进行了细粒度的实体抽取。在对比试验中,使用了常见的RNN、LSTM和BiLSTM等模型进行对比。实验结果表明本文使用的基于预训练词向量的双向长短时记忆网络结合条件随机场模型能取得更好的表现。（4）构建了一个自动填表系统,从网络采集数据,然后用于科学家的个人学术信息自动填表,有效提高了办公效率。在这个自动填表系统中,能够对所有数据进行校正,从而得到更准确的数据,并利用这些数据进行增量训练,让模型具有更好的泛化效果。