2010-2024足球AI研究全景:发文量暴涨、中国领跑、德澳影响力突出

人工智能（AI）、机器学习（ML）、深度学习（DL）已全面融入足球运动，依托数据驱动决策理论（DDDM）与复杂系统理论（CST），在球员表现优化、伤病风险预警、战术决策、青训选材、裁判执法公平性提升等场景形成规模化应用。足球作为全球受众超35亿的第一运动，正从经验主导快速转向数据驱动模式，可穿戴设备、视频追踪系统、大数据算力的普及，为AI技术落地提供了坚实基础。

研究方法

当前该领域研究呈现明显碎片化特征，多数文献聚焦伤病预测、战术分析、计算机视觉等单一方向，缺乏对知识结构、主题聚类、国际合作、时间演进的系统性梳理。本研究基于2010—2024年6月Scopus数据库1112篇英文文献，使用RBibliometrix包与VOSviewer软件，开展文献产出、被引规律、国家/机构/作者合作、关键词共现、文献共被引、主题聚类与时间演进分析。明确核心研究主题、全球合作格局与未来发展方向，填补足球AI领域全景式综述空白。

图1 本研究所采用的完整研究方法

研究结果与分析

（一）整体产出与影响力特征

年度发文趋势领域：发文量自2015年首次持续增长，2017年后进入爆发式上升阶段，核心驱动来自深度学习算法普及、足球多源数据可获得性提升、职业俱乐部与行业加大分析投入。

图2 年度发文量变化趋势

高被引核心文献：前20高被引文献集中于战术分析、伤病预测、比赛结果预测、计算机视觉四大方向。Rein&Memmert（2016）以286次总被引、31.78次/年的年均被引次数成为领域奠基文献，确立足球大数据与战术分析的研究框架。

期刊与学科分布：1112篇文献分布于406种期刊，计算机科学与工程类期刊占主导，《Lecture Notes in Computer Science》发文量居首，体育科学专刊排名靠后，反映足球AI研究具有强交叉学科属性。

（二）全球合作与机构分布

国家产出与学术影响力：中国以441篇发文量位居全球第一，美国、德国紧随其后；德国、澳大利亚篇均被引分别达14.5、16.5，学术影响力显著高于中国（3.3）、美国（7.7）。国际合作论文占比18.22%，合作程度与被引影响力呈显著正相关。

图3 前10国家发文量与被引数据

核心研究机构：比萨大学、北京体育大学、马来西亚敦胡先翁大学、图宾根大学位列机构发文量前四，全球高校广泛布局足球AI研究，呈现多地域分散发展格局。

图4 前10机构发文量

国际合作网络：中国、美国、德国为核心合作节点，中国与美国、马来西亚合作紧密，德国与法国、波兰合作活跃；全球合作高度集中于中、欧、美地区，非洲、南美参与度极低。

（三）作者合作与核心群体

领域共有2442位作者，单篇平均作者数3.78，团队研究为主流模式。RossiAlessio以14篇发文、总链接强度52成为核心作者，CintiaPaola、Pappalardo L并列第二。作者合作网络存在局部孤立小团体，跨团队连通性不足。

图5 作者合作共现网络图

（四）主题聚类与知识结构

通过文献共被引与书目耦合分析，提炼7大核心研究聚类：

比赛结果预测与建模；深度学习与计算机视觉（视频分析、球员追踪）；球员/球队表现评估与战术分析；强化学习与决策优化算法；伤病预测与训练负荷管理；足球机器人与仿真模拟；球迷情感分析与社交媒体挖掘。

各主题高度关联、交叉渗透，共同构成足球AI研究的完整知识体系。

（五）关键词演进与主题格局

高频关键词：机器学习（304次）、深度学习（144次）、人工智能（76次）为核心技术关键词；football、soccer、伤病预测、计算机视觉、强化学习、机器人足球为高频应用关键词。

图6 作者关键词词云图

（六）主题四象限分布

基础主题：AI、机器学习、体育系统（高中心性、低密度）；

驱动主题：深度学习、神经网络、动作识别（高中心性、高密度）；

新兴主题：运动医学、伤病预测、迁移学习；

小众主题：仿真模拟、强化学习、人形机器人。

（七）高被引文献的核心影响因素

领域高影响力文献普遍具备四大特征：方法创新（新算法、开源框架）、数据优质（真实职业赛事/可穿戴数据）、实践导向（直接服务俱乐部决策）、开放获取（高曝光、易复用）。国际合作、跨学科团队、场景落地是提升被引与行业影响力的关键要素。

研究局限与未来方向

（一）主要局限

仅聚焦足球项目，未与其他运动横向对比，难以判断趋势通用性；仅使用Scopus数据库与英文文献，存在数据源与语种偏差；以定量计量为主，缺乏对高被引文献的质性深度解读；未系统覆盖球员隐私、算法公平性、裁判伦理等问题；全球合作分布不均，南美、非洲等地区研究被显著忽视。

（二）未来研究方向

技术落地深化：推进实时数据处理、边缘智能穿戴、球员数字孪生、XR训练与康复系统落地；

行业标准构建：建立足球数据采集、模型验证、结果复现的统一规范；

场景交叉拓展：B2B端服务俱乐部运营决策，B2C端提升球迷观赛与互动体验；

伦理规范完善：强化球员数据隐私保护、选材算法公平性、裁判技术透明化；

全球均衡发展：推动欠发达地区参与研究，缩小地域研究差距。

总结

本研究基于2010—2024年Scopus数据库1112篇文献，系统梳理人工智能、机器学习、深度学习在足球领域的研究脉络。结果显示，该领域自2017年进入高速增长期，中国发文量全球领先，德国、澳大利亚学术影响力更高，国际合作程度显著正向影响研究质量。

核心研究主题围绕比赛预测、伤病防控、战术分析、计算机视觉、机器人仿真五大方向，呈现计算机科学与体育科学深度交叉特征。当前研究存在数据源单一、地域分布不均、伦理关注不足等局限，未来应向实时化、标准化、场景化、伦理化方向发展，强化技术落地与全球合作，推动AI更好服务足球运动的科学化、精细化与可持续发展。

[ END ]

点击文末“阅读原文”获取原文

原文链接：https://doi.org/10.1108/IJICC-07-2025-0411

文献来源：Hoseinzadeh,Z.,Eskandarnejad,M.,&Ghaderzadeh,M.(2026).Analysis of research structure and scientific trends in artificial intelligence, machine learning, and deep learning in football: a bibliometric approach. International Journal of Intelligent Computing and Cybernetics,19(1),29-54.

撰稿：周昀

美编：张诗晗

责编：徐晓峰杨文睿

复审：王志军

终审：王相飞