不确定信息推理是人工智能重要的研究领域,具有重要的理论和实际意义。由于不确定信息推理根据不同的数据对象特征有多种数学理论,主要包括:统计学、模糊数学、粗糙集理论、非经典逻辑等,这些理论对于数据表现的随机性和模糊性具有良好效果,本文在贝叶斯信任网络、模糊粗糙集合、灰色系统的基础上主要研究以下几个方面:基于评分的贝叶斯信任网络结构的学习、基于Ⅱ-型模糊集截集的模糊支持向量机、灰色主成份模型。本文的主要工作内容和意义如下:(一)、根据观察贝叶斯信任网络的不同角度,贝叶斯信任网络结构的学习方法分成两类方法:基于评分的方法和基于条件独立的方法,其目标是找到和样本数据匹配度最好的贝叶斯信任网络结构。基于评分的方法将贝叶斯信任网络看成是含有属性之间联合概率分布的结构,同时给出评分函数来判断学习过程中数据拟合的结构;基于条件独立的方法把贝叶斯信任网络看成看作编码变量间的独立性关系的结构,根据独立性关系对变量分组。本文两种学习理论和实践表明贝叶斯信任网络在处理不完全数据、学习变量的因果关系、避免传统算法中过度拟合和局部最小都表现出它明显的优势。(二)、在模糊粗糙集基本理论和支持向量机的基础上提出基于Ⅱ-型模糊集截集的模糊支持向量机:首先分析Ⅱ-型模糊集合特征,推广经典模糊集合中截集的概念,利用模糊规划和支持向量机理论来处理Ⅱ-型模糊集,其中在测度量化样本的隶属度时,考虑从了样本之间和样本与类中心,同时使用MATLAB软件,实验结果表明即使在噪声或野值环境下,Ⅱ-型模糊集截集的模糊支持向量机避免了传统学习算法中过学习、维灾难、局部极小的功能其分类效果良好。(三)、在介绍灰色系统理论的概念、基本理论的基础上,利用灰色系统理论对“小样本、贫信息不确定”、“外延明确、内涵不明确”具有良好的优点,本文结合传统统计方法回归分析和主成份分析来处理工程中的实际问题,同时使用SAS软件实践结果表明能解决和克服以前单一学科面临的问题且效果明显。