随着信息化时代的到来,全球学术研究活动快速发展,学术文献的发表数量日益增长。为了解决海量学术文献难以管理这一难题,以互联网技术为核心的大规模文献数据库、学术检索平台等应运而生,极大地改变了科研学者对文献数据的检索方式。然而,来源于不同文献检索系统的作者存在同名现象,使得许多同名作者的学术文献无法进行正确的归属,降低了学术检索的准确性。目前大量学者提出了基于机器学习或基于图的作者同名消歧算法,但存在特征信息未被充分挖掘、忽略全局结构信息等问题。因此,本文从充分利用特征信息和考虑全局结构信息的角度出发,对科技文献数据库中作者同名消歧问题展开深入研究。主要工作如下:（1）提出一种基于合作者特征的作者同名消歧方法。首先,考虑到文献作者信息的隐私性,本文使用高阶合作关系构建同构学术网络。其次,为了获取网络中的全局结构信息,提出一种学术网络中基于全局节点共现的网络表示学习方法。该方法可以学习每篇学术文献的低维向量表示。然后,使用一种基于密度的聚类算法将文献分成若干个簇,使得每个簇中的学术文献由同一个作者所写。最后,两个真实的文献数据集上的实验结果表明,本文提出的方法在消歧性能上优于对比方法。（2）提出一种基于异构学术网络和语义特征的作者同名消歧方法。首先,针对学术文献数据的异构性,本文使用文献的实体特征构建异构学术网络。其次,考虑到学术文献中丰富的语义特征,提出将语义特征用于文献节点向量的初始化。然后,使用一种基于成对排序的异构网络表示学习方法获取文献节点的特征表示。接着对待消歧的作者姓名进行层次聚类分析。最后,一个真实的AMiner数据集上的实验结果表明,本文提出的方法可以获得较好的消歧效果。