SAT问题的随机局部搜索方法中,通常在初始指派阶段采用随机的策略。一旦初始值周围存在过多局部最优解,局部搜索过程会多次陷入局部极小点和搜索环路,因此SAT求解算法性能在极大程度上依赖初始指派。由于深度学习对特征提取具有高层次的抽象能力,因此将深度学习技术与聚类方法结合对搜索的初始指派进行约束,采取从大量不同的算例数据中学习一定程度能够结合挖掘到的结构特征与隐含特征对局部搜索进行优化。为了提高局部搜索的效率,充分利用SAT算例的深层次特征信息。本文先利用深度学习的图嵌入算法将SAT公式由固定尺寸的图嵌入向量表示。与当前仅有的深度学习SAT分类器不同,模型采用的空间金字塔池化与残差神经网络技术能学习到更深层次的特征信息;然后通过增加纯文字变元的半监督聚类方法对其语义特征解码,以获得每个变元指派的倾向性信息;之后在局部搜索算法中考察动态搜索状态下变元翻转对子句产生的影响,使用深度学习学到的先验特征信息结合统计学习技术提出翻转变元对SAT子句产生的间接加权破坏概念并给出定量度量的方法,由此提出基于深度学习与概率推理的局部搜索算法-DL-PRsat。将DL-PRsat算法与同样结合概率推理的局部搜索算法IBWsat,当前高效的局部搜索CSCCsat算法,以及加入本文初值策略形成的CSCCsat*对照算法进行大量实验对比,实验结果表明本文提到的初始赋值方法在一定程度上能改善局部搜索算法效率。由此结合的DL-PRsat算法在性能上更是领先于IBWsat,与当前较好的局部搜索算法相当。并且DL-PRsat算法在求解结构算例上具备一定优势,克服了传统随机局部搜索算法求解结构算例的不足。