科研合作对提高产出以及触发创新十分必要,帮助学者找到最合适的合作者对于实现更高的科学成就至关重要。传统方法忽略了学者间选择的意愿,以及学者在科研合作方面时间和精力的有限性。真实的学术合作者推荐应该是一个根据学者意愿相互配对的过程,因此,本文基于匹配市场理论,挖掘学者相互选择进行合作匹配的实施方法。目前国内外学术合作者推荐领域已有一定研究,重点都是为目标提供一个推荐候选人列表,不考虑学者的选择意愿以及被推荐的次数。因此探究考虑学者意愿的合作匹配方法以及学者科研合作精力的限制仍是巨大的挑战。本文提出一种基于匹配市场理论的多对多合作者推荐方法,探索合作者推荐过程中的最优合作匹配。一方面利用网络表征等方法从学术大数据中挖掘学者相关性,将匹配理论应用于学术合作者推荐过程,并利用匹配市场理论探索合作匹配过程中的最优匹配。另一方面通过分析学者的年合作者数量,定义学者在合作者人数方面的需求。利用学术大数据中的合著信息、研究内容、参会信息等,评估学者之间的相关性以进行合作匹配。在匹配过程中,提出最受欢迎模型和最小代价跨步模型,探索匹配过程最优匹配求解方法。通过应用匹配市场理论的定义方法,对合作匹配达到的效益进行评估。本文基于微软数据集和DBLP数据集对所提出的方法进行了验证。实验结果表明,匹配理论在学术合作者推荐方法上的应用有效提高了推荐结果全局的效益,也对推荐精确率等指标有一定的提升效果。