Con el creciente desarrollo de la literatura publicada, los métodos de clasificación basados en información bibliométrica y enfoques tradicionales de aprendizaje automático encuentran desafíos de rendimiento relacionados con clasificaciones demasiado generales y baja precisión. Este estudio presenta un enfoque de aprendizaje profundo para el análisis cientométrico y la clasificación de la literatura científica basado en redes neuronales convolucionales (CNN). Tres dimensiones, es decir, características de publicación, características de autor y características de contenido, se dividieron en características explícitas e implícitas para formar un conjunto de términos cientométricos a través de la extracción de características explícitas y el mapeo de características implícitas. Los vectores de términos cientométricos ponderados se ajustan en un modelo de CNN para lograr una clasificación de doble etiqueta de la literatura basada en el contenido y los métodos de investigación. La efectividad del modelo propuesto se demuestra utilizando un ejemplo de aplicación de la literatura de ciencia de datos y análisis. Los resultados empíricos muestran que el modelo de clasificación cientométrica propuesto en este estudio tiene un mejor rendimiento que los métodos de clasificación de aprendizaje automático comparables en cuanto a precisión, reconocimiento y puntuación F1. También exhibe una mayor precisión que la clasificación de aprendizaje profundo basada únicamente en características explícitas y dominantes. Este estudio proporciona una guía metodológica para la clasificación detallada de la literatura científica y una investigación exhaustiva de su práctica.