当下社会进入了前所未有的高速发展期,科技创新活动开始呈井喷趋势增长,成为了推动国家经济增长和提升国家竞争力的第一推动力。同时,随着技术迭代速度的不断提高,各个行业内的竞争也愈演愈烈,创新也成为了企业生存发展、保持市场竞争力的决定性因素。专利文献囊括了全世界每年90%～95%的最新科研成果,从海量的专利数据中挖掘出与技术发展相关的情报信息,以此来梳理技术体系发展状况并合理预测出未来走势,可以为企业和国家制定创新发展战略提供帮助。传统的专利研究多围绕计量统计进行,忽略了文本中隐藏的重要信息,而近些年兴起的专利文本挖掘研究中,存在专利文本特征提取维数大、未充分考虑文本中语义关联等问题,不能对专利文献进行深度、系统地分析。本文在对专利外部结构化信息进行定量分析的基础上,针对专利的文本非结构化数据,构建了面向主题的中级层面和面向异常专利微观层面的专利挖掘方法。首先,引入无监督机器学习的LDA模型,再结合专利文本的独有特征对传统模型进行了一定程度的改进,提出了WEW-LDA模型,以实现对海量专利文本中技术主题的自动识别,并通过实验证明了该模型在提高主题可读性及划分合理性上的优势。然后,基于WEW-LDA模型输出的主题数据构建出了主题网络和专利地图等可视化知识图谱。其中,主题网络能够从全局的文本语义信息出发,分析各技术主题间的外部关联关系,通过主题网络可清晰地展现领域内技术体系的结构,同时将网络在生命周期的时间维度上展开后,结合社会网络分析及链路预测算法可挖掘出高影响力重点主题转移过程、技术的整体演化过程及未来技术主题间的关联可能性;专利地图可用来侦测蕴含新技术的异常专利,通过对异常专利的筛选、梳理和总结,可对技术未来的发展做出合理的预见。最后,将本文提出的方法体系运用到了AGV领域,对该领域中的核心主题转移过程、技术演化、技术组合机遇及未来发展趋势做了系统的分析,研究结果可以为AGV相关企业及国家政府的创新发展规划作出指导。