Представлен систематический обзор современного состояния и перспектив развития интеллектуальных систем поиска и обработки научной информации. Рассмотрена эволюция методов информационного поиска: от классических статистических моделей (BM25, векторная модель, латентно-семантический анализ) и традиционных подходов машинного обучения (наивный Байес, SVM, обучение ранжированию) до глубоких нейросетевых архитектур, включая трансформеры (BERT, SciBERT), многовекторные модели (ColBERT), плотные би-энкодеры (DPR), генеративные методы на основе больших языковых моделей и графовые нейронные сети. Проанализированы ключевые критерии оценки качества поисковых систем: точность, полнота, NDCG, MAP, MRR. Отдельное внимание уделено математическому аппарату, лежащему в основе современных интеллектуальных систем: от булевой алгебры и теории вероятностей до механизмов внимания и контрастивного обучения. Показаны основные направления практического применения: классификация и кластеризация научных документов, рекомендательные системы, извлечение знаний (NER, суммаризация, построение графов знаний), валидация и поддержка воспроизводимости научных результатов. Сделан вывод о целесообразности комбинирования классических и нейросетевых методов для повышения релевантности, адаптивности и интерпретируемости поиска. Подчёркнута ключевая роль комбинирования статистических и нейросетевых подходов для повышения эффективности поиска.
