实现计算机的自动推理是人工智能领域中的一个重要课题。对于传统的常识推理,新知识可由旧知识以经典逻辑的原理推理得到。然而在实际应用中,知识往往是不确定、不一致和不完全的,通常被称为信念。根据经典逻辑的原理,以不一致的知识作为前提推理得出的结论是没有意义的。因此,为了使得这类推理能够得到尽可能合理的结论,人们提出了多种解决不一致推理的方法,信念修正就是其中较为常用的方法。信念修正的主要思想是：当新加入的知识与知识库中的信念不一致时,就将知识库中的信念按照某种优先度进行排序,并删除其中引起不一致的且优先度较低的部分,从而维护知识库的一致性。相对于信念修正,非修正推理方法不删除知识库中的信念,而是容忍知识库中的不一致,并通过提出新的推理方法来产生唯一的、一致的、演绎封闭的结论集。这种方法保留了知识库中的信念,减少了信息的损失。本文提出了一种一阶谓词逻辑下子句型信念的非修正推理方法,证明了该方法所产生的结论集满足唯一性、一致性和演绎封闭性,并给出了主要算法。相对于现有的非修正推理方法,本文提出的方法无论在结论集的完备性,还是在算法的效率上均具有较大的优势。本文还讨论了非修正推理方法的认识进程,证明了该方法的认识进程具有收敛性。最后,本文结合了粗糙集规则提取方法和一阶谓词逻辑下子句型信念的非修正推理方法,提出了一个基于先验知识与粗糙集规则提取的分类系统。相对于传统的基于粗糙集规则提取的分类系统,本文构建的系统可以获得更为合理的分类结果,并且可以从不同形式的决策系统提取知识,将其汇集到知识库中进行推理和决策。这种以知识为形式的信息交换,不包含任何细节信息,提高了信息传递的效率,也保障了信息的隐私安全。