先进信息技术在核电装备研制过程中的应用,产生和积累了海量的质量管理信息,其中非结构化的文本占据极高的比重。而核电装备全生命周期质量管理一定程度上受质量信息处理速度的影响,所以,数据驱动的自动化/半自动化质量管理中质量文本的分析具有重要研究意义。而质量特性反映了满足需求的程度,是主要的质量管理对象,因此,正确理解并识别质量特性有利于推进数据驱动的质量管理。目前,数值型数据驱动的质量特性识别研究取得了很大的进展,但文本类数据驱动的质量特性识别研究还比较少,难以直接从文本中识别出质量特性。因此,本文主要研究如何从核电装备供应链质量管理文本中识别出零部件相关的质量特性,针对核电装备供应链质量管理文本的相关特点,并考虑质保分级控制策略,提出了基于深度学习的核电零部件质量特性识别方法,通过基于迁移学习的质量特性识别模型在生成对抗网络加强训练,提高识别准确性。首先,构建基于迁移学习的质量特性识别模型,加入多头注意力机制增强长文本学习能力,通过迁移学习缓解核电装备质量管理领域数据规模小训练不充分的问题,并优化其损失函数缓解过拟合问题。其次,在生成对抗网络中强化训练质量特性识别模型,提升生成网络的预测分布与标记分布的一致性,提高模型的分类识别能力,并通过调节排序损失在训练中的影响程度平衡模型识别的精确率与召回率,满足不同质保等级的零部件质量文本训练的不同识别需求。最后,对比了基准模型的识别效果、损失函数优化前后的模型损失以及不同质保等级的生成网络识别性能以验证模型的可行性与有效性,分析了嵌入维度与多头注意力头数的影响,并识别在建立质量保证体系时的质量特性。本文提出的模型和方法,具有较高的可行性和实用性,通过识别供应链质量管理文本中的质量特性有助于质量记录校核;此外,本文的研究具有一定的可移植性,可推广到核电装备供应链质量管理文本分析中其他的序列标注研究任务中。