面对爆炸式增长的学科信息以及相关的文献资料,科研工作者亟需构建系统且完善的领域型学科知识图谱,从而高效应对海量数据,快速获取有效信息,精准快速把握核心知识点。目前学科知识图谱的构建多从文献计量学角度,分析学科知识的统计学特性,基于关键词完成信息挖掘。另一方面,自然语言处理技术（Natural language process,NLP）作为一种新兴的文本挖掘方法,能够快速提取学科文献中的核心内容。本文基于自然语言处理技术以及机器学习模型算法,将文献核心内容与文献计量学相结合构建学科知识图谱,并将其应用到摩擦学科中,完成了摩擦学知识图谱构建,同时设计了一套领域型知识图谱软件系统,生成摩擦学科可视化分析报告。本论文的主要研究工作包括:1)基于机器学习中典型分类模型以及自然语言处理中的文本表示等方法对海量学科文献进行信息挖掘,系统全面地梳理了具体学科领域中的细分研究方向。2)提出了“知识识别-知识获取-知识融合-知识应用”模块化的领域型知识图谱构建方法与流程。3)采用机器学习模型算法简化自然语言处理技术分析流程,快速高效地得到相应的学科细分方向分类,同时能够基于该分类结果进行样本以外的文本数据的精准分类。4)设计了一套软件系统,用于辅助完成学科知识图谱构建任务。该软件系统具有较高的开源性、可溯源性以及可视化成度,用户能根据需求进行个性化方案定制并生成学科分析报告。5)对摩擦学进行学科分析,结合文本分类、文献计量等方法,构建了摩擦学领域知识图谱,并基于软件系统实现学科分析报告的自动化生成。