常识推理中的信息常常具有不一致性、不完全性和不确定性。这样的信息不能看作绝对真理,而只能称为信念。对不一致信念的处理是人工智能特别是计算机推理研究中一个关键性的问题。目前处理这一问题的一个主要方法是信念修正方法,其基本思路是根据一定的假设对信念进行排序,利用较可靠的信念修正不够可靠的信念,从而使信念集是一致的。由于需要不断对信念集合进行修正,信念修正方法至少存在两点不足：首先,一些希望信息在信念修正过程中丢失；其次,会在推理过程中产生不希望的结论。信念静态非修正方法被提出来以解决这些问题。信念静态非修正方法的主要思想是保留所有信念作为假说。在容忍不一致信念的情况下,通过限制假说的语法形式和蕴涵语义的方法来取得假说的扩充来作为最终结论集。信念静态非修正方法保留了新加入信念与原信念集中的全部信息,因此避免了希望信息丢失的现象。同时,信念静态非修正方法借助某种语义机制取得唯一且一致的假说扩充作为结论集,避免了不希望结论的产生。信念静态非修正处理方法的研究重点是如何定义假说及假说的扩充,以使得假说的扩充变成具有良好性质的结论集合。本文在一阶逻辑下,将信念定义为Horn子句,将假说定义为Horn子句集,并利用单元归结作为蕴涵的语义以使假说的扩充具有良好的性质。证明了该蕴涵语义定义下Hom子句型信念的假说扩充的唯一性、一致性和演绎封闭性。进一步地,本文研究了应用静态非修正方法的Horn子句型信念的认识进程。首先建立了Horn子句型信念的认识进程的定义。其次建立了Horn子句型信念的认识进程极限的定义。进而证明了Horn子句型信念的认识进程具有收敛性。以上研究,说明了应用静态非修正方法的Horn子句型信念增长是趋于稳定的。