概率逻辑是以概率论和现代演绎逻辑为工具构造归纳推理逻辑的形式演绎系统。随着计算机技术的发展,概率逻辑正逐步成为面向人工智能、决策分析、知识发现和推理应用的重要发展方向。在人工智能专家系统中,通常需要利用已有或已观察到的数据进行推理应用,为实际中的分析、预测和决策等问题提供科学依据。而数据中蕴含的概率因果关系(即概率逻辑关系)可以描述各属性变量间的相互依赖、以及依赖关系的不确定性。利用这些关系进行逻辑推理就可以得到新的、更为复杂的因果关系。数据中概率因果关系的表示、挖掘、推理及应用也越来越受到许多研究者的广泛关注,成为智能数据分析、知识发现和不确定人工智能等领域中的重要研究方向。作为描述变量间概率因果关系的有效工具,贝叶斯网被广泛应用于知识发现、决策支持、预测分析等领域中。然而,以金融趋势分析、医疗诊断预测、实时交通控制等为代表的实际应用,经典的贝叶斯网由于其精确的表示,其推理机制不能较好地满足这些应用的需求。同时,在解决实际问题的诸多应用中,用户往往并不关心过于精确的量化的知识,而仅仅需要对知识的定性描述。在概率论中常用的表示方式中,已观察到的数据的表示和相应推理结果的表示通常是用点概率或是用区间概率来描述的;而推理的过程却是一个逻辑归纳演绎的过程。对于复杂的推理直接用贝叶斯网计算通常需要经过大量的全概率和条件概率的变换。这些计算过程中能否保证知识的概率表示和逻辑表示在推理过程中保持一致?复杂的推理问题如何能等价于相对简单的推理问题?等等这些成为在实际应用中利用贝叶斯网进行推理时面临的困难。本文提出了基于条件事件代数的概率逻辑推理和门限可信概率逻辑衍推方法。首先利用条件事件代数,通过扩展普通可测空间将经典概率理论的条件概率扩展为普通条件事件,用以表示推理过程中数据信息,实现了概率逻辑在推理过程中的相容表示;再利用条件事件代数的性质,将条件事件转换为普通事件和相应的连接事件,从而将高阶复杂推理问题转换为低阶推理问题,并结合贝叶斯网实现了高阶复杂问题的概率逻辑推理。本文针对前述问题的实际需求,研究了基于条件事件代数和贝叶斯网的概率逻辑推理关键技术,我们通过实验验证了本文所提出方法的有效性,并将这一问题应用到企业文化问卷调查分析中,初步开发了相应的应用系统。另外,本文基于一般概率逻辑的表示及推理方法,研究了将已知的前提划分为不同的可信度子集,当这些子集满足一定的门限值(或称为阀值)时,衍推出可信结论的方法。本文的主要工作和创新之处总结如下:●研究了利用事件的条件性使推理过程中概率和逻辑相一致以及复杂问题的表示方法。以条件事件代数为基础,在普通可测空间中引入了事件的条件性,解决了概率逻辑在推理过程中的相容性问题。并利用贝叶斯网实现了高阶条件事件推理的方法。研究的核心是通过扩展普通可测空间,利用事件的条件性,扩展条件概率的表示能力,使得高阶条件可以转换成较低阶的条件,从而提出将高阶条件推理问题转换为普通事件和相应的连接事件的推理问题,为进行复杂推理提供了一种有效的支撑技术;本文的方法不仅从一定程度上弥补了已有推理方法在概率因果关系推理方面的不足,也较好地弥补了贝叶斯网在复杂问题推理时的不足。●研究了利用条件事件代数进行高阶正反推理的方法。在条件事件代数的基础上,结合影响图、模糊集理论,提出了利用条件的事件性表示决策过程中的因果关系的方法,并利用模糊集理论,将点概率的推理方法推广到区间概率中,结合贝叶斯网实现了正反向推理方法。该研究以决策问题的实际应用为出发点,实现了复杂决策问题的正向即从因到果,及从果到因的反向推理方法,增强了贝叶斯网在复杂推理问题中的实用性。而基于模糊集理论的处理方法使得对决策问题的描述更加符合实际应用情况,有效地避免了决策过程中专家知识的主观性。同时,该研究也是条件事件代数和模糊集理论在概率因果关系表示及推理方面的新应用。●研究了概率逻辑门限可信衍推方法。本文基于一般概率逻辑的表示及推理方法,提出了将已知的前提划分为不同的可信度子集,当这些子集满足一定的门限值(或称为阀值),相应的结论也满足一定门限值时则称为这一结论也是可信的,即衍推。该研究提供了描述这种衍推关系的基本概念和相应的性质,给出了这种衍推关系的合理性说明,并结合模式识别和模糊集相关子集的划分方法,根据衍推关系的最大信息熵约束方法,推导出结论的可信度阀值,从而完成了概率逻辑的衍推。本文首先解决了概率逻辑推理过程中概率和逻辑在表示规则(知识)时的相容性问题,以此为基础提出了结合贝叶斯网利用条件事件代数进行复杂决策问题的正向和反向精确推理及模糊推理的方法;并利用模式识别相关方法和比较概率子集划分的方法进行门限可信衍推推理,这些方法在其它相关工作中尚未见报道。