案例推理(Case-Based Reasoning，简称CBR)是人工智能领域中较新崛起的一种重要的基于知识的问题求解和学习方法，以其独特的推理风格和成功的应用，向人们展示了很强的生命力，在国际人工智能领域引起了广泛的兴趣。基于案例的推理可以理解为利用过去的案例和经验来解决新问题的一种方法，它可以看作是从一个案例到另一个案例的类比推理，然后尝试着修改它们的解决方案以适应当前的新案例。在国家减灾委“环境与灾害监测预报小卫星星座减灾应用系统工程”项目以及国家科技支撑计划子课题“灾害应急决策支持与远程会商协同技术研究”(2008BAK49805)的支持下，本文围绕该课题的核心内容之一，灾害救助推理机制开展研究。 本文对案例推理中的相关技术进行了详细介绍。如依次介绍了案例表示的相关知识及一种面向对象的表示方法；案例库组织索引的目标、原则；案例调整知识的获取、调整方法的分类及一个转换式调整模型；新案例的评估方法及案例库的学习与维护等。 本文提出了迭代自组织聚类进行组织索引的方法，对案例库中的案例进行聚类，将各个典型案例归为每一类中形成子案例库，以类中心作为对该类案例的索引。这种索引可以减少了案例的检索范围，很大程度地提高了检索效率。 本文采用了迭代自组织聚类和最近邻法相结合的两级检索法，避免了检索案例时对案例库中的所有案例进行比较，使系统的运行效率有所改观。同时提出了基于遗传算法的CBR检索机制的属性权重确定方法，将遗传算法引入基于CBR的推理系统，对案例的特征权值向量进行全局寻优，以提高对大型复杂案例库检索时的效率与质量。 本文最后重点讨论CBR技术在灾害救助系统中的具体应用。阐述了“灾害救助推理系统”的具体实现及从推理效率和准确性方面进行的分析，对CBR技术在灾害救助中的具体应用作了初步的探索。但其中仍有些技术不太成熟，如案例调整过程的自动化问题，以及CBR与其它技术的进一步结合，如何开发出更加完善的CBR系统是我们需要进一步研究和努力的方向。