中文摘要：

信度网是目前人工智能不确定性知识表达的主流方式，其理论意义和应用前景已为学术界和企业界所公认。然而，近年来，人们普遍认识到传统信度网结构表达知识的局限，因为它实质上只是命题逻辑的一种概率模型。因此用一阶逻辑扩充信度网知识表达，即一阶信度网，便成为了目前信度网研究的热点主题之一。一阶信度网是一个很有理论和应用价值的研究课题，但也是一个具有挑战性的课题，在理论上有较大的难度。本项目研究现有一阶信度网尚需解决的三个关键问题，旨在建立一套完整的一阶信度网理论。主要内容包括基于一阶逻辑的不确定性因果知识表达方式及语义模型的研究，由概率知识库动态构造信度网结构的推理算法研究，以及基于一阶信度网的数据挖掘方法研究等。其成果可望对信度网知识表达的理论和实际应用产生积极影响。

结论摘要：

贝叶斯网络（又称信度网）是一种概率推理模型，但它只能表达命题知识。用一阶逻辑扩充贝叶斯网络（即一阶信度网）是一个重要的研究课题。我们的工作将一个逻辑程序自动映射到一个贝叶斯网络并解决了其中最关键的递归循环问题。主要成果包括第一，提出了一种新的一阶信度网知识表达方法，它比国际上的其它方法表达能力更强，用户可用它方便地描述事物之间的直接因果关系并且允许出现递归循环。 第二，建立了一种新的一阶信度网知识库的语义模型，有两大重要特点(1)首次用逻辑程序中著名的well-founded语义来定义一阶信度网知识库的随机变量空间，不论给定的知识库是否含有递归循环，该随机变量空间总是唯一的。(2)将一阶信度网知识库中的递归循环解释为反馈行为，并利用它定义动态贝叶斯网络，这是一阶信度网研究的一种新思路。第三，提出了一种新的一阶信度网推理算法。如果不含递归循环，它构造一个普通的贝叶斯网络；如果有递归循环，则构造一个动态贝叶斯网络。利用递归循环构造动态贝叶斯网络是此项研究的一大特色，具有先进性。第四，在一阶信度网系统的实现方面，提出了一种优化的SLTNF-resolution逻辑程序推理方法。