作为我国新兴产业支柱的工业机器人产业起步较晚且技术积累薄弱,因此制定合理的发展战略对其追赶世界先进水平具有重要意义。大数据背景下的技术主题识别能够追踪与探测颠覆性技术与新兴技术,在当前技术预见以及战略规划研究中十分重要。新兴技术领域专利、论文等数据蕴含丰富领域知识,但因其数据量大且数据信息复杂导致传统主题模型方法在技术主题识别上效果欠佳。传统模型在处理文本数据时忽略了文本词语以及句子的顺序关系,这导致对语料所包含信息挖掘的深度不足。同时,传统数据模型未融合领域专业知识,且过度依赖领域专家易产生主观偏误,致使所构建的技术演化路径难以支撑战略规划。针对传统方法的不足,本研究通过数据与模型融合优化了基于文本学习的BERT模型,并基于优化后的BERT模型完成了工业机器人领域主题识别及技术演化路径构建。首先,采用能够学习大量文本信息的BERT模型取代传统模型,通过更改模型结构使模型参数学习主题信息,对原始BERT模型进行初步优化。其次,在模型训练中融入领域专业知识,探究工业机器人专利数据信息分布,通过增强训练使BERT模型能够主动学习并识别领域专业术语,并在BERT模型中加入p-tuning方法以提高主题聚类效果。最后,利用优化BERT模型结合层次聚类算法识别了工业机器人领域主题,并提出一种时间切片划分及前后主题关联规则构建技术演化路径。本研究提出的方法通过算法与领域数据相结合提升了工业机器人领域主题识别的效率与精度,较好地解决了传统方法对专家过度依赖问题。同时,本研究方法也可用于其他领域的技术主题识别及技术演化路径研究。