目前,科技期刊中存在大量学术论文领域术语缺失的问题,导致科研学者及相关从业人员无法准确定位领域前沿学术热点、溯源技术发展脉络,严重影响学术的传播与交流。领域术语的识别抽取可以看作是对文本的序列标注,目前,多数研究者均以类似命名实体识别的方法去研究,但由于领域标注样本的缺乏以及应用场景下数据的复杂性,传统模型的精准率、召回率均无法很好地满足期刊实际应用中对特定领域术语抽取的需求。因此,本文提出了一种基于语义特征与词性规则相结合的领域术语抽取模型。针对传统模型语义理解的局限性与抽取结果中边界误标问题,采用了融合全局特征与局部特征的语义特征获取方法,并通过词性组合规则校正识别结果,实现了特定领域术语的精准、全面抽取,提高了领域术语识别的效果,提升了科技期刊学术传播的精准度,缩短科研人员发现学术内容周期,促进学术交流,助力科技创新。本文的研究内容主要包括以下两个方面:（1）针对传统术语识别算法无法获取更深层次的语义理解与远程监督所形成语料质量不高以及漏标注问题,提出了基于BERT的领域术语识别模型。利用BERT提取文本隐形全局语义特征,获得丰富的含有上下文语义信息特征的字向量,对比传统算法提高了术语抽取的整体性能;基于语料质量与漏标问题,提出了融合领域术语词典的分词优化数据增强方法。通过已有部分领域术语词典的指导,提高了训练数据的质量,减少分词过程的误分、错分导致的术语漏标问题,从而使得模型学习到更多的领域特征,有效提高了模型的学习与识别效果。经过实验对比分析,优化后的模型整体性能提升近17%,验证了融合领域术语词典的有效性。（2）针对语料中冗余信息的干扰以及识别结果中误标与术语边界缺失问题,提出了基于局部特征的领域术语识别模型。通过引入卷积神经网络CNN,增加模型对局部重点特征的关注度,避免了过多不相关信息的干扰,提高了模型的召回率;增加基于统计的词性规则校正模块。通过分析领域术语内部词性的组合特征,采用术语词性组合规则对模型识别的结果进行校验与修正,提高了模型识别的准确率,经实验分析,模型准确率提升5%,证明了领域术语抽取中添加规则校正模块的有效性。综合分析本文所提出算法的实验结果,在遥感领域数据中,通过与Bi LSTM＿CRF传统算法对比,验证了新算法的有效性。新算法在精准率、召回率与F1值都有了较大的提升,其中,精准率提升4.6%,F1值提升了20.6%,特别是召回率提升了26.2%。经验证,基于语义特征与词性规则相结合的领域术语抽取模型能够很好地满足期刊的实际应用要求,证明了本文所提出的算法是一种有效的领域术语抽取算法。本文提出的算法已经应用于“科技期刊增值服务”产品中,服务于100余家期刊社与数百万科研学者,助力期刊学术精准推送与传播。