机会发现（Chance Discovery）和机会管理（Chance Management）是国外学者于2000年前后提出的一个新的研究课题。因此对“机会”的特性，它作为一个独立的研究领域的必要性，它和传统的学科，如人工智能、经济学、决策论、控制论、系统论和资料挖掘等的关系，现在已有的可以用来刻画CD的技术手段，这些手段还存的不足等等，所有这些尚没有得到一致的回答，都需要进一步探讨。本文对上述问题进行了初步探索，确立了本文的主要目的——针对机会的基本特性从不同学科角度出发对机会和机会发现进行刻画和总结。本文首先介绍了溯因推理的哲学背景、形式模型、假设生成和选择等内容。在此基础上，介绍了如何用溯因推理来解释机会。然后，分析了CD相关性原则，即若一个事件或状态是关于agent目标的机会，则该事件应该满足CD相关性然后利用4值形式系统L_m4c及其扩充定义了CD相关性的形式语义，并且证明了L_m4c族和形式语义的等价性，讨论了L_m4c和溯因推理的结合，并且得到了更好的特性。最后阐述了KeyGraph作为机会发现工具的特征和算法，提出了一种基于小世界理论和遗传算法的KeyGraph参数优化机制，实现参数自动调节以避免用户疲劳。同时，为了支撑小组讨论和解决用户图形解释不明确的问题，给出了一种萃取情节中的数据并加以注释的映射算法，对数据进一步分析，这对机会发现起着十分重要的作用。另外，本文将KeyGraph引入到人和数据挖掘工具协同工作的机会发现的双螺旋模型中，同时利用一个形式系统来说明该模型机会发现的过程，本文也试图从决策的观点对模型进行改进，用包含机会算子的IGA发现一条获得意向解的机会路经。