人工智能论文检索：如何查找计算机视觉、机器学习与智能方法相关文献
人工智能是检索难度最高的领域之一，但其难点并不在于文献数量少，而主要体现在三个方面：一是术语更新迅速，同一种方法往往有多种不同叫法；二是会议论文和预印本占比较高，若仅检索期刊数据库，会系统性地出现文献滞后；三是应用研究广泛分散在医学、制造、遥感等不同学科的期刊之中，容易因学科边界而被遗漏。
应对思路其实很明确：检索时应以任务名称和方法类别作为主要切入点，而不是依赖具体的模型名称；同时不要把检索范围局限于期刊论文；在做应用方向的检索时，应用领域的术语往往比方法层面的术语更为关键。下面将围绕这一思路展开说明。
通用的检索方法，如拆分概念、准备检索词、写检索式，见文献检索方法指南。本页只讲人工智能领域特有的部分。
这个领域的检索难点
一、术语更新快，新旧说法并存。 同一个研究方向，十年前、五年前和当下的叫法可能各不相同。早期文献中常见"模式识别""机器视觉""人工神经网络"等表述，而如今则更多使用"计算机视觉""深度学习""大模型"等术语。如果只用当下的说法进行检索，会系统性地漏掉较早的研究成果；反过来，若只使用旧有术语，又容易错过最新进展。此外，中文文献中常采用"卷积神经网络（CNN）"这类全称加缩写的书写形式，也有不少文献标题中仅出现缩写，因此检索时全称与缩写都应纳入考虑。
二、模型名称本身不携带主题信息。 该领域的新方法通常以作者自拟的名称流传，这些名称往往只是一个缩写或代号，单从字面上很难看出它究竟解决的是什么问题。如果仅用模型名称进行检索，通常只能找到提出该模型的那篇原始论文以及直接引用它的文献，却难以覆盖解决同一问题的其他方法。
三、会议论文和预印本比重高。 在计算机视觉、机器学习等方向，重要成果往往首先发表在学术会议上，或者先以预印本形式公开。期刊论文通常要晚几个月甚至一年以上。
四、应用研究高度分散。用深度学习进行医学影像分析的论文，大多发表在医学影像类期刊上；而用于工业缺陷检测的研究，则多见于制造与工程类期刊。如果只在计算机类文献中进行检索，就会漏掉大量实际应用方面的研究成果。
核心概念与常用术语
下表按研究方向列出常用的中文术语，以及检索时需要注意的地方。
| 研究方向 | 常用术语 | 检索提示 |
|---|---|---|
| 计算机视觉与图像处理 | 图像分类、目标检测、语义分割、实例分割、图像生成、图像复原、三维重建、视频分析 | 以「任务名称」为核心概念，比用方法名称稳定得多 |
| 机器学习方法 | 深度学习、卷积神经网络（CNN）、生成对抗网络（GAN）、注意力机制、Transformer、强化学习、迁移学习、图神经网络（GNN）、扩散模型 | 中文全称与字母缩写要并列检索；方法术语变化快，保留上位词「深度学习」「神经网络」作为兜底 |
| 大模型与自然语言处理 | 大语言模型（LLM）、预训练模型、大模型、自然语言处理（NLP）、文本生成、知识问答 | 「大模型」「大语言模型」「预训练模型」常混用，缩写也很常见，需并列检索 |
| 智能系统与应用 | 智能制造、缺陷检测、预测性维护、智能决策、推荐系统 | 应用领域的术语是主要检索概念，方法术语作为第二个概念 |
| 高性能与分布式计算 | 集群计算、并行计算、分布式训练、边缘计算、云计算 | 与硬件、系统方向交叉，常见于计算机系统类文献 |
| 数据科学 | 大数据、数据挖掘、特征工程、模糊系统、知识图谱 | 较早的研究多用「数据挖掘」，近年更多用「数据科学」 |
按研究类型检索
人工智能领域的文献类型划分方式，与医学、社会科学等学科有所不同：
| 类型 | 特点 | 怎么识别 | 什么时候读 |
|---|---|---|---|
| 综述 | 梳理一个任务或方法方向的全部路线 | 标题含「综述」「研究进展」「发展现状」 | 刚进入一个方向时，第一篇就读它 |
| 方法论文 | 提出一种新模型或新算法 | 摘要写「提出了一种……方法」，并与已有方法对比 | 需要了解具体技术细节时 |
| 评测与对比研究 | 在统一条件下比较多种已有方法 | 标题含「对比」「评测」「基准」 | 需要知道哪种方法实际效果更好时 |
| 应用研究 | 将已有方法用于某个具体领域 | 标题以应用对象为主，方法为辅 | 做应用方向的研究时 |
| 数据集论文 | 发布新的数据集或评测基准 | 摘要重点是数据的采集、标注和规模 | 需要选择实验数据时 |
这个领域的综述过时得特别快。 在其他学科中，五年前的综述通常仍可作为了解领域全貌的"地图"来使用；但在计算机视觉、机器学习等热门方向上，两三年前的综述就可能已经遗漏了整整一代新方法。因此，查找综述类文献时，建议先将发表日期限定在近两到三年内；如果检索结果不足，再逐步放宽时间范围。
评测与对比研究被严重低估。 方法论文中的对比实验通常由作者自行设计，难免会偏向自己的方法；而第三方评测研究在统一条件下进行比较，结论往往更为可靠。在构建检索式时，可以加入 「对比 OR 评测 OR 比较研究」 作为一个独立的概念组，专门用于筛选这一类文献。
典型检索场景
场景一：找某个视觉任务的深度学习方法综述
问题：医学图像分割有哪些深度学习方法？
（图像分割 OR 语义分割）AND（深度学习 OR 卷积神经网络 OR CNN OR 神经网络）AND（医学影像 OR 医学图像）AND（综述 OR 研究进展）
发表日期限定为近三年；
结果仍然太多时，把「分割」放进标题字段；
读完找到的第一篇好综述之后，从它的参考文献开始用滚雪球法扩展，见检索结果太多或太少时怎么办。
场景二：找一种方法在具体行业中的应用
问题：深度学习在工业产品表面缺陷检测中的应用。
（缺陷检测 OR 表面缺陷 OR 质量检测）AND（深度学习 OR 目标检测 OR 神经网络）AND（工业 OR 制造 OR 生产线）
这里的核心概念是「缺陷检测」，而不是方法。应用研究的标题几乎总以应用对象开头，所以把「缺陷检测」放进标题字段，收窄效果最好；
这类研究很多发表在制造与工程类期刊上，不要限定学科范围。相关的检索要点见工程技术文献检索。
场景三：追踪一个方向的最新进展
问题：某个任务最近一两年有哪些新方法？
用任务名称加上位词写一个宽松的检索式，发表日期选近一年或近两年；
按发表时间浏览结果，重点看评测与对比研究，它们通常会总结近期的主要方法；
找到最新的一篇综述或评测研究后，往前追溯引用它的文献，这是找到最新成果最快的办法。
容易遗漏的文献
| 容易遗漏的文献 | 为什么会漏 | 怎么补 |
|---|---|---|
| 会议论文 | 习惯性地只看期刊 | 检索时不限定文献类型；识别方法见文献类型辨析 |
| 预印本 | 未经同行评审，常被忽略或误当成正式版本 | 可以用来了解前沿，引用前查找正式发表版本 |
| 应用领域期刊中的研究 | 发表在医学、工程、地学等期刊，而不是计算机类期刊 | 以应用对象为核心概念检索，不限学科 |
| 使用旧术语的早期研究 | 当时的说法是「模式识别」「机器视觉」「人工神经网络」 | 在检索词清单中保留旧称 |
| 复现失败与负面结果 | 这类研究很少发表，标题也不醒目 | 检索「复现」「可重复性」等词，或从评测研究的讨论部分追溯 |
常见问题
人工智能方向的论文，应该看期刊还是会议？
两者都需要兼顾，具体侧重比例则因研究方向而异。计算机视觉、机器学习等偏理论与算法的方向，主要以会议论文作为核心发表渠道；而智能制造、医学影像等偏实际应用的方向，则更多以期刊论文为主。
知道一个模型的名称，能直接用它来检索吗？
能，但用途有限。用模型名称可以找到提出它的原始论文，以及引用、改进它的后续研究。但如果你想了解同一个问题上的所有方法，应该用任务名称加方法类别来检索，模型名称只是其中的一种。
一篇人工智能综述，发表多久就算过时了？
在快速发展的方向上，两三年就可能漏掉重要的新方法。较早的综述仍然适合用来了解一个方向的基本脉络，但了解现状需要找更新的综述，或者用近期的评测研究补充。
怎么找在某个公开数据集上做实验的研究？
可以把数据集或评测基准的名称单独作为一个检索概念，与任务名称进行组合，并限定发表日期来缩小范围；另一种思路是找到该数据集的原始发布论文，再向前追溯引用了这篇论文的所有文献——因为凡是用到这个数据集开展研究的工作，几乎都会引用它，这样就能比较系统地收齐相关成果。