案例推理(Case-based reasoning，CBR)作为人工智能领域的新兴技术，已经成为认知科学、计算机科学、控制科学等学科共同关注的焦点。案例检索作为CBR的首要环节，是问题求解的关键。其中，属性权重的分配情况对检索质量会产生显著影响。目前确定权重的方法中，主观法过分依赖于主观判断和经验;客观求解法中，遗传算法、神经网络等方法还存在一些缺陷，比如神经网络的结构很难有一个标准;遗传算法容易陷入局部极小等等。因而，还需进一步研究权重优化分配的学习机制，以提高检索质量。另外，在求解模式分类问题时，案例重用经常采用直接重用和多数重用方法。由于直接重用方法参考的相似案例单一，且多数重用方法不适合出现干扰案例的情形，这样均会影响CBR分类器的性能。因此，本文针对CBR的属性权重分配和案例重用这两个问题进行了方法和实验研究，取得如下结果:　　(1)针对属性权重的优化分配问题，借鉴通信领域信道功率的注水优化原理，提出一种基于注水原理的属性权重优化分配方法。通过分析权重分配与信道功率分配两者的机理，建立了权重分配的合理性指标，并构造Lagrange函数对权重进行优化求解，从而获得收敛的注水分配算法。通过五折交叉的模式分类实验，分别与属性权重的平均分配法、遗传算法分配法进行了比较研究，证明该方法能够有效改善案例检索的质量;　　(2)针对传统K近邻重用方式导致分类准确率不高的问题，提出一种基于内省学习的群决策重用方法。首先应用K近邻检索策略从案例库中检索出K个与目标案例最相似的源案例，将其结论视为专家的决策，然后引入群基数效用函数以专家权威性为依据计算出目标案例的群决策结果，如果决策失败，则以内省学习的失败触发策略自动调整专家权威性，从而获得一种改进的案例重用方法。对比实验和显著性检验表明，该方法能有效提高分类准确率;　　(3)基于属性权重的注水分配法和具有内省学习的群决策重用方法设计了一个心血管病的CBR诊断系统。介绍了该系统的结构与功能，并利用VB6.0开发了辅助诊断系统，诊断结果表明了本文方法的有效性，可以为医生提供辅助建议。