导读：

人工智能的发展已对人类及其未来产生了深远的影响，深度学习源于神经网络的研究，是机器学习的一个全新领域，日益成为驱动社会智能化转型的核心引擎。本文借助CiteSpace 6.4.R1软件，对中国知网核心数据库中人工智能领域深度学习研究文献进行可视化分析，按年发文量、机构合作、关键词共现、关键词聚类、时区图谱及突现词分析对2010~2024年的文献进行梳理。研究结果表明，年发文量在2016年后快速增长。研究机构间整体合作关系较为松散，从已有的合作网络来看，存在“一超多强”的现状，以中国科学院大学为核心节点的合作网络最为紧密，以武汉大学、清华大学、北京工业大学、复旦大学等为核心节点也形成了小范围的合作网络。该领域研究的热点为人工智能、深度学习、机器学习、大数据和神经网络等，未来研究着眼于各领域的预测、可解释性、隐私保护、边缘计算等，深度学习研究正从单一的技术突破转向“算法–场景–伦理”的系统性创新，未来将深度重构医疗、制造、交通等核心产业的价值链。

作者信息：

龚怀泽：河北金融学院信息技术中心，河北 保定；宋瑞龙：河北金融学院河北省科技金融重点实验室，河北 保定

正文

研究设计

1. 研究数据

本文采集的数据来源于中国知网(CNKI)收录的人工智能与深度学习相关的期刊论文作为研究数据。通过中国知网数据库中的高级检索功能，检索主题设定为“人工智能”和“深度学习”，通过初步文献检索，在知网上能检索到该研究主题最早期刊论文发表于2010年，故文献检索时间范围为2010年至2024年，为了提高检索期刊的代表性，将期刊来源限定北大核心、CSSCI、CSCD，文献类型设定为学术期刊，共检索出文献3223篇，经过手动筛选，剔除专题简介、会议通知、人物访谈、序言、前言、评述、书评等冗余信息，最终筛选出3040篇文献作为研究样本。

2. 研究方法

文利用CiteSpace来进行知识图谱绘制，并基于图谱进行可视化分析。通过关键词、机构的共现网络和聚类分析，揭示研究领域的热点主题。采用时间线分析，展示研究主题的演变脉络，识别新兴研究趋势。通过突现词检测，识别短期内高频出现的关键词，辅助捕捉前沿方向。最终，得出中国人工智能领域深度学习研究的热点及发展趋势等相关结论。

研究结果与分析

1. 年发文量分析

期刊文献年发文量分析通过量化数据客观展示趋势，通过分析发文量的阶段性变化，可以体现学术界对该领域的关注程度及划分学科发展的研究阶段。本文对2010年至2024年人工智能领域深度学习研究的年发文量进行统计分析，相关结果如图1所示。

2. 研究机构分析

运用CiteSpace 6.4.R1软件，对3040篇文献数据绘制机构可视化图谱进行分析，设置时间划分为2010年至2024年，1年为一个时间段，节点类型勾选“机构”，节点筛选方式为Top N = 50，网络精简算法选择以时间段进行探路算法，其他选项为系统默认，节点标签Threshold设置为5，生成的可视化图谱如图2所示。

研究热点分析

1. 关键词共现分析

在CiteSpace中，参考构建研究机构合作网络时的参数设置，节点类型选择“关键词”，节点标签Threshold设置为8，运行分析生成关键词共现知识图谱，如图3所示。

2. 高频关键词分析

在CiteSpace中，关键词共现分析的词频与中心性是揭示研究领域核心热点与知识结构的关键指标。词频是指特定时间段内某关键词在文献中出现的次数，反映研究热点的集中度，中心性衡量关键词在网络中的枢纽作用，中心性大于0.1为关键节点。具体如表1所示。

3. 关键词聚类分析

通过关键词聚类分析，可以识别具有相似研究方向、关键词或研究方法的文献集合，继而深化对学术领域知识结构和发展趋势的理解，并有助于研究者发现研究领域的热点问题和关键主题。本文选择K标签来源(Keywords Source of Labels)进行聚类分析，运行后结果如图4所示。

通过对3040篇文献中的关键词进行聚类，选择前19个聚类并根据有效性，共筛选出16个聚类类别。这16个关键词聚类包括人工智能、深度学习、机器学习、影像组学、大数据、神经网络、目标检测等。在显著性方面，该聚类的模块度Q值为0.8851大于0.3，表明该聚类显著。与此同时，平均轮廓S值为0.9843大于0.7，表明该聚类高效。具体如表2所示。

4. 关键词共现时区图分析

关键词共现时区图是揭示研究领域动态演化的有效工具，节点大小表示关键词的频次，节点间连线显示不同年份关键词间的共现关系，选择时区图(Timezone View)运行后得到关键词时区图如图5所示。

5. 关键词突现分析

关键词突现度指的是该关键词在某段时间内出现次数的变化率。在CiteSpace中通过探测突现词，可以对该领域发展的脉络以及未来发展前沿进行预测。在热点模块中，参数γ值设置为0.7，最小持续时长设置为2，选择更新，得到23个突现词，采用“按突现起始年份排序(Sort by the beginning year of burst)”方式，得到相应关键词突现图，如图6所示。

​

结论

1) 年度发文量趋势分析：2010年以来国内有关“人工智能”和“深度学习”主题的期刊发文量经历了两个主要发展阶段：斜坡式缓慢增长、直线式快速增长。2010~2015年发文量较少，处于研究的萌芽阶段。自2016年起发文量显著增加，随着算法和算力的提升，该研究应用前景巨大，研究关注度呈持续高增长态势。

2) 研究合作机构分布：整体来说，合作关系较为松散，机构间尚未形成较强凝聚力的科研团队。从已有合作网络来看，存在“一超多强”的现状，以中国科学院大学为核心节点的合作网络最为紧密，以武汉大学、清华大学、北京工业大学、复旦大学等为核心节点也形成了小范围的合作网络。

3) 关键词热点分析：人工智能、深度学习、机器学习、大数据和神经网络等是该领域的核心研究节点。深度学习源于人工神经网络的研究，深度学习的构建离不开系统与算法等。通过聚类分析，发现人工智能领域深度学习研究主要聚类于基础、技术和应用三个层面的16个研究专题。

4) 时区图和突现词分析：预测、可解释性、隐私保护、边缘计算等为未来核心研究热点，产业变革、智能识别、损伤检测、视觉感知、实践教学等成为应用场景拓展方向，深度学习研究正从单一的技术突破转向“算法–场景–伦理”的系统性创新，未来将深度重构医疗、制造、交通等核心产业的价值链。

基金项目：

2024年度河北金融学院科研基金项目(项目号：JY202407)

原文链接：https://doi.org/10.12677/csa.2025.157183