本研究在梳理知识演化、知识生命周期等知识进化理论和思想的基础上，介绍了引文网络、Meta-path、PageRank等网络分析理论和方法，阐述了Word2vec、Doc2vec、Node2vec等深度表示学习模型以及ARIMA、SVM等时间序列模型，以期为科学主题的演化和热度预测提供理论基础和方法支撑；以生物医学与生命科学领域PubMed Central数据全集为例，基于知识图谱技术构建了一种面向计量相关研究和应用的垂直领域知识图谱——计量知识图谱；创新计量指标，计算计量实体的热度，用热度值反应主题所处的演化状态；采用一系列深度学习等方法挖掘科学主题在计量知识图谱中的特征，分析科学主题的演化规律；基于SVM、ARIMA、LSTM等一系列时间序列模型构建学科主题预测模型，优化、验证模型，并进行应用研究。读者对象：高等学校信息科学、情报学、信息管理等相关专业的学生，以及从事科技情报、知识管理、知识服务的实际工作者.