科技的发展和大量学术活动的展开催生了对学术服务的需求。学者画像作为最重要的基础应用之一,旨在建立学者多维度标签模型,为专家推荐等上层服务提供结构化数据基础。基于人口统计学属性的学者基础信息标签抽取和研究兴趣标签发掘是开放学者画像问题中的关键任务和热门方向。对此,现有的研究多数基于传统方法构建,存在成本较高、性能受限等问题。随着深度学习技术的发展,其在多项任务上表现出超越传统方法的优势。以此为背景,本文针对上述关键问题,采用基于深度学习方法进行探索和应用研究,以优化其在相关任务策略上的性能表现,同时减少对特征工程的依赖,降低传统方法的构建成本,具有良好的工程应用意义。主要工作内容如下:（1）对于学者基础信息标签抽取问题,本文对现有策略进行研究,设计了基于深度学习的Bi-LSTM+CRF序列标注模型。针对传统方法在词向量表征方面的不足,提出基于BERT的学者信息抽取模型以提高整体性能表现,并通过实验说明本文方法相比基准方法的优势。（2）对于学者研究兴趣标签发掘问题,本文采用基于内容的策略从学者发表的论文中发掘其研究兴趣标签,从而将其转化为文本多标签分类问题。对于场景中存在的论文类别标签相关性依赖,本文设计了基于Seq2Seq框架的论文多标签分类模型。针对分类器忽略标签语义信息、长尾标签性能瓶颈等问题,提出基于标签语义的嵌入向量对原模型进行优化。最后通过实验说明本文方法的优势以及对后续流程的性能提升。（3）设计并实现一个基于深度学习的学者画像原型系统,并基于本文的研究对实际数据进行应用。最后进行系统效果展示和主要功能测试。