
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

投稿邮箱 :2014025@whsu.edu.cn
欢迎广大体育科研工作者、足球从业者及足球爱好者投稿



夜雨聆风