Yang等人在2006年首次提出了基于证据推理的置信规则库推理方法,将置信规则结构分为合取范式和析取范式。析取范式的连接方式能够有效地降低系统的规则数量,减小系统参数规模,从本质上解决置信规则库的“组合爆炸”问题。到目前为止对于基于析取范式的置信规则库的已有许多相关研究,但仍存在众多问题,尤其对于数据缺失问题仍缺少足够的研究。首先,基于析取范式的置信规则库推理方法的准确率依赖于训练数据集的质量,当数据集不完整时将导致训练出的模型不够准确;其次,基于析取范式的置信规则库专家系统是一个能够处理复杂问题的决策系统,但对于不完整输入信息的决策问题,仍缺乏相关研究,除了采用传统的填补数据方法外,缺少较好的处理方法。针对上述问题,本文展开了课题研究工作,具体如下:（1）针对现有的基于析取范式的置信规则库在不完整数据集上存在的难以训练参数和推理不准确的问题,提出基于扩展规则的析取范式置信规则库优化方法。该方法首先利用历史数据生成规则,并针对训练数据集中的不完整数据,构建不完整的规则表示,然后引入衰减因子对不完整的规则权重进行调节,使该规则能够更合理地参与信息融合过程。最后,在五个公共测试数据集上进行对比实验,证明了本文方法的有效性。说明该方法能够在不增加系统复杂度的条件下,完成对完整数据集或不完整数据集的训练,并保证一定的推理准确率。（2）针对现有的基于析取范式的置信规则库对于不完整信息决策问题,提出基于模糊关联规则的析取范式置信规则库优化方法。首先该方法对完整的训练数据通过隶属函数建立模糊置信表示库,然后对输入的数据进行模糊化表示,并通过模糊置信表示库对未缺失的数据信息构建关联规则,推断出缺失数据的置信分布情况,最后将得到的完整数据输入训练好的析取范式置信规则库系统中进行推理。通过在数据集上的对比实验,验证本方法能够通过已有的信息去获取缺失的数据信息,使基于析取范式的置信规则库对不完整输入信息能有较好的推理准确率。（3）利用本课题提出的基于析取范式的置信规则库优化方法建立教师教学水平评估模型。测试数据集来自福州大学2018学年01学期的真实数据。本应用首先使用ER算法获取教师教学评分情况,然后结合基于析取范式的置信规则库优化方法建立教师教学水平评估模型,最后该模型与支持向量回归模型、决策回归树和多层感知器进行对比,从而证明本文方法在完整数据集和不完整数据集上具有较好的评估性能。