人们为了解决一个问题，常常先从记忆的知识库中寻找所有与新问题相关的经验和知识，然后把其中相关程度高的部分整合运用到新问题的求解过程中，这，就是基于案例推理(Case-based Reasoning，简称CBR)过程的求解原理。CBR的优势是从经验中学习，现代生活中CBR的应用可以说是无孔不入，CBR已经从一种曾经有点偏僻的知识推理模式进化成一种通用的、大众化的AI问题解决工具和思考方法了。 数据库知识发现(Knowledge Discovery in Database，KDD)是目前非常活跃的研究领域，其研究涉及人工智能和数据库等多门学科。数据库的广泛应用和数据量的飞速增长，使人们迫切地感到需要新的技术和工具以支持从大量的数据中智能地、自动地抽取出有价值的知识或信息，数据库知识发现就是为解决上述问题而提出的智能数据分析(Intelligent Data Analysis，IDA)技术。 文章先介绍CBR的起源，总结出CBR发展的三个阶段，探讨了CBR理论基础的前沿动态和CBR模型的的发展，着重研究了当前CBR过程研究的成果和特点。接着，总结了知识表示的七种方法和几种主流的知识推理手段；其中，既着重总结传统的方法又引入了最新的研究进展。然后，概述了KDD／DM的产生由来，介绍了DM过程的步骤和方法模型，例举了当前KDD／DM在数据处理和信息决策中的应用。 在前面章节基础上，着重研究了KDD／DM应用到CBR系统中。先分析可以用于CBR的DM技术，给出进行这种DM的目标和步骤，较为详细地讨论了在CBR的案例库上进行KDD／DM的主要方法和技术，特别是Rough set理论进行问题—解空间的知识发现来进行空间层次上的关系挖掘，从而使G.Finnie的R~5模型有了强有力的数学基础，最后提出了一个基于知识发现的CBR系统原型。