学术专家检索就是针对给定科学研究领域,依托计算机为工具,借助统计知识、数据挖掘和人工智能等技术寻找该领域内公认的具有较高学术地位和影响力研究工作者的过程。学术专家检索在实际生产、生活中应用较为广泛,对学术专家检索关键技术开展研究有着重要的社会价值和现实意义。目前,学术专家检索面临着传统检索模型功能较为独立和扩展性不强的不足,尽管结合了一部分外在证据资源参与检索任务,但还是存在语义计算性差、外在证据挖掘不充分,模型融合能力不强,个人专长的广度和深度挖掘不够,不能有效实现多类型指标排名等问题。本文结合学术专家检索过程中涉及的关键技术,系统性对专家检索模型、语义查询和查询扩展、学术影响力评价方法进行研究与探讨,分析目前技术存在的优势及不足并提出新检索模型和优化方法。为充分利用现有检索模型的检索效果,本文将学术影响力评价方法引入到专家检索任务的重排序中,从而进一步提升检索效果。本文主要研究工作如下。（1）贝叶斯网络建模研究。提出了两种基于贝叶斯网络的学术专家检索模型,即简单贝叶斯网络模型和贝叶斯信念网络检索模型。两种模型优点是模型网络拓扑直观,推理过程严谨,易于结合外在证据实现模型扩展;在简单贝叶斯网络专家检索模型基础上提出一种基于术语语义关系的检索模型,在贝叶斯信念网络专家检索模型框架下提出一种基于主题语义的检索模型和一种基于语义的复合检索模型,上述3种扩展模型均可实现语义检索。实验结果表明采用语义计算后上述语义模型检索性能显著提升。（2）面向学术专家检索的查询扩展技术研究。提出了一种基于学术网络和查询相关性的查询术语扩展方法,扩展技术充分利用学术网络中文献节点之间的关系,同时考虑术语在学术资源网络中的传播规律来与查询的相关性,综合提取领域相关术语实现查询术语扩展。（3）学术影响力评价方法研究。提出了一种基于h指数的学术影响力评价方法,新评价方法不仅考查候选专家的h指数,还考查了引文量、论文署名因素对评价效果的影响;提出一种基于加权Leader Rank算法的学术影响力评价方法,新评价方法不仅考查候选专家在合著网络中的影响力,还考查了候选专家之间的合作强度与合作效果。针对目前专家检索模型检索性能低的不足,将新评价方法应用到专家检索的重排序中从而进一步改善候选专家的排序效果。针对目前专家检索技术现状,本文在检索模型构建、语义查询和查询扩展、专家学术影响力评价方向上开展了深入研究,提升其在专家检索任务上的性能。论文构建了新的学术专家检索模型,实现了基于学术网络的查询术语扩展,对不同类型的学术影响力评价方法进行了改进并用于重排序任务。论文所做工作提升了学术专家检索水平,为学术专家检索技术的进步做出了贡献。