中国电力工业信息化工程的建设过程中积累了大量的文本数据,作为电力大数据的重要组成部分,电力文本数据中所蕴藏的巨大价值也越来越被业界所认可,成为电力行业大数据挖掘方向的重要研究对象。本文旨在利用关键词提取技术,分别从涉及多领域的新闻报道数据集和电力行业相关的学术论文数据集中抽取出可体现文章主题信息的关键词。本文提出一种电气工程领域专业词汇识别方法用以提升该领域学术论文数据集的中文分词效果,同时,还提出三种图模型关键词提取算法,除了分析它们在不同数据集上的关键词提取效果外,还将它们应用在文本分类任务中,主要研究工作可概括如下:（1）电气工程领域专业词汇识别算法。针对Jieba分词工具无法有效识别电气工程领域专业词汇进而导致分词结果不够准确的问题,本文融合三种词间关系特征,提出一种专业领域词汇识别算法。将专业词汇识别结果导入Jieba分词库中,实验结果表明,此算法能够改善分词效果,为后续关键词提取工作奠定良好基础。（2）基于多特征融合的TextRank关键词挖掘算法。利用TextRank算法扩展性强的优点,本文融合词语TFIDF特征、位置特征以及词网络图结构特征,提出一种改进的TextRank算法即MFFTR算法。实验结果表明,此算法能够较好地识别文本中的关键词,在准确率、召回率和F1值上与现有的6种关键词提取算法相比均具有一定优势,此外,相较于经典TextRank算法,MFFTR算法在三种实验数据集上对F1值分别可提升2.7%,0.8%,3.2%。（3）基于词图多边形结构的图嵌入关键词挖掘方法。本文融合词语TFIDF特征和词语位置特征作为词节点初始权重丰富了词图信息,同时利用词网络图的三角形结构和四边形结构进行词节点排序,在此基础上分别提出了KTSG算法和KQSG算法。实验表明,KTSG算法和KQSG算法与现有的6种关键词提取算法相比,在多项关键词提取评价指标上均有提升,尤其在命中率指标上,KTSG算法可提升0.1%至8.1%,KQSG算法可提升0.5%至8.2%。（4）图嵌入关键词挖掘模型集成学习。为了验证MFFTR算法、KTSG算法、KQSG算法的有效性,将它们应用在文本分类任务中。在构建文本向量空间的过程中,将它们与现有的9种词汇特征提取方法融合,提出一种多特征融合的文本特征集成学习方法。在3种经典分类器上同传统特征提取方法作比较,实验结果表明,本文方法可以使文本分类效果获得一定提升。