本文主要研究了将粗糙集 (Rough Set，RS) 约简的神经网络(Neural Network)技术同基于事例推理 (Case-Based Reasoning，CBR) 技术相结合用于昆虫的识别。神经网络技术和基于事例推理技术作为人工智能领域的代表技术，在人工智能的很多领域中各有其成功的应用，但由于两种技术本身的缺陷和客观世界的复杂性，单独应用这些人工智能技术都不可避免的存在着局限性。因此，根据这两种技术的特点，将两者结合未尝不是解决其各自缺陷的方法，本文正是基于这一背景，对昆虫识别领域中两者的结合进行了研究。 基于神经网络的过程缺乏透明性，对于复杂系统效果不佳，而基于事例推理的方法，存在精度不高推理过程缓慢的缺点。针对这两种方法的缺陷和其各自的特点，本文将两者结合，并设计了具体的结合方案，即利用神经网络的模式匹配能力作为预分类器，对事例推理中的事例建立分类索引，指导事例的检索，建立了RS-ANN-CBR模型(粗糙集约简神经网络与基于事例推理相结合模型)。 同时，本文结合中国农业大学 IPMIST。试验室昆虫图像处理与自动识别软件BugVisux得到的数据 (该软件分别对每种昆虫的各幅重复图像进行处理和昆虫特征值提取) 对所建立的模型进行了测试。取得了很好的效果，识别结果现实，性能明显优于单独使用的情况，说明将粗糙集约简的神经网络和基于事例推理结合用于昆虫识别的有效性及其实际意义。