现如今,网络科学理论及数据分析方法与技术的蓬勃发展使呈指数级增长的学术数据更容易被挖掘及统计分析,同时也吸引了大量的研究人员对学术大数据展开了相关研究。在学术届,所有学者在其学术生涯中都会至少选择一所机构作为科研单位,学术机构也需要注入新鲜血液以促进其科研发展,这一实际需求关系到每位学者和机构发展的切身利益。本文通过对学者及学术机构这两个学术实体画像的方式,基于学者合著网络提出了一个算法为双方提出适合彼此的偏序列表并按照一定的规则为其匹配。在实证研究方面,本文主要贡献为:(1)基于网络位置的学术潜力评估。本文基于计算机科学、生物学及心理学三个领域,以世界范围内的的学者为对象,提出了一个全新的指标来对学者进行学术潜力的评估与量化。通过分析学者引用网络中学者之间的引用关系及其现有的学术成就,进而提出了一个算法来计算学者当前的学术潜力。在评估学术潜力的同时,本文还通过实验与现有的相关指标做了比较与分析,验证了所提出指标的优势、特点以及与其他指标的不同之处。(2)基于论文被引量的科研复杂度分析。以上海交通大学所提出的“世界大学学术排名”为基准,本文将该排名的前一百名大学作为实验对象,将经济学中的“经济复杂度”这一指标移植到学术领域,提出了“科研复杂度”这一概念,并在已有算法的基础上进行了优化。同时,本文还将此概念应用在了国家层面,筛选了20个发达国家及20个发展中国家的学术数据,计算了目标机构及国家的科研复杂度值,探讨了该指标的自身特性,并与其他相关指标做了相关性分析。(3)基于学术画像的学者机构匹配。本文将上述的两个指标作为学术画像的一部分嵌入到了学者机构匹配的算法中。在考虑了学者及机构的研究方向、科研成果、合作关系等影响因素后,本文通过计算学者及机构之间的相似度,分别得到学者及机构对双方学术实体的偏序列表,并在真实数据集上验证了该偏序列表的有效性。