在大量的数据库应用中，如面向 Web 的数据集成、电子商务、数据仓库、数据库设计等，都需要用到模式信息。而操作模式信息的一个最基本的操作就是匹配，即将两个模式作为输入，产生两个模式中互相对应的元素的映射。早期的模式匹配工作是为数据集成服务的，近年来，电子商务的出现进一步推动了模式匹配的研究，在电子商务应用中也需要通过模式匹配实现不同信息系统之间的数据转换。当今模式匹配技术仍存在许多问题，大多仍以人工 (领域专家或系统开发人员) 定义方式为主，费时费力且容易出错。这个问题也随着 Web 数据源的快速增加和电子商务的一体化而日益严峻。所以希望找到一种通用的、自动化程度高的、可应用于不同数据模型和应用领域的综合的匹配方法。 本文概要介绍了模式匹配问题及其应用，详细地阐述了实现模式匹配的不同方法以及它们所应用的结构。针对已有模式匹配方法的局限性，本着最大限度地减少人工干预使模式匹配尽可能做到自动化的原则，本文提出一种利用模式结构信息和已有匹配知识的模式匹配模型 SMGM。 SMGM 模型 (Schema Matching Graph Based Model) 借鉴神经元理论，采用智能推理机制，结合启发式思想，有效地实现了模式匹配和已有匹配知识的融合，提高了匹配模型的准确度。SMGM 模型主要由初始匹配矩阵模型、结构化语义推理模型、己知匹配知识重用模型、匹配知识自适应迭代模型、阈值确定策略和匹配类型选择策略组成。 本模型首先参照辅助信息库将模式元素分离成词条向量，并基于向量匹配计算模型计算各模式元素间的匹配度，进而生成初始匹配矩阵。结构化语义匹配推理模型是SMGM 的核心，是模拟神经元相互影响作用的语义推导模型。其基于匹配知识重用模型重用历史知识，基于高收敛阈值确定模型策略确定最终阈值，并基于匹配类型选择策略确定模式元素之间的最终匹配关系，进而获得最终的匹配结果。随后模式匹配知识库中的模式匹配知识被组织成图结构，基于自适应迭代模型，对模式匹配知识进行精化和深入挖掘，为结构化语义匹配推理和阈值区间自动缩减等操作提供快速准确的指导。 实验表明：SMGM 模型达到了预期目标。