智能规划是人工智能的一个重要分支，是智能代理和自主机器人发展的核心领域。近年来，确定性规划理论取得了巨大进展，目前的研究热点在于将确定性规划技术引入到非确定规划问题中去。一致性规划作为一种非确定规划，它带有不确定的初态和非确定的动作效果。纯粹的一致性规划问题很少存在于实际情况中，而是作为可观察规划的特例来求解这类规划问题。大部分当前的一致性规划器都是基于信念空间的，本文采用有限域表示并有效地压缩信念状态空间，提出了一种将PPDDL(ProbabilisticPlanning Domain Definition Language，概率规划域定义语言)表示的一致性规划任务转换为有限域表示的转化方法。　　 本文将经典规划中的FDR(Finite-Domain Representation，有限域表示)转化方法扩展到一致性规划问题中，提出了CFDR(Conformant planningtasks in Finite-Domain Representation，有限域表示的一致性规划任务)转化方法。首先分别扩展了PPDDL表示的一致性规划任务和有限域表示的一致性规划任务(CFDR)的定义，扩展了非确定效果、变数、信念操作等相关语义。然后在原方法的各个阶段加入处理不确定初始状态和非确定操作效果的机制：在规范化阶段，采用one-of放松技术将初始信念状态解析为析取范式，其中每个子句都表示一个可能的世界状态，将带有非确定效果的操作转换成具有相同操作前提条件的、所有可能操作的集合；在合成不变量阶段将常量谓词加入初始候选集，用每个初始世界状态的互斥条件的合取来替代一致性规划的互斥条件；在实例化阶段，将一致性规划的可达原子集放松为所有初始世界状态在所有可能操作中的可达原子集的并集；在任务生成阶段根据一致性规划模型的语义，改进引入公理并对一致性规划中的负文字进行分类转化。　　 实验效果表明生成的CFDR与PPDDL任务相比，节省了存储空间，有效地减小了信念状态空间；能成功地转化大部分的标准一致性规划域问题，与目前的MCPT(Multi-valued Conformant Planning Tasks)转化方法相比能更合理地表示一致性规划问题，处理非确定效果，提高了互斥条件的获取能力，扩大了处理问题的范围。