机器学习是解决故障诊断,数据挖掘,模式识别等众多领域中分类器建模的一项核心技术。在实际问题当中,普遍存在的一种问题是：所研究对象的先验领域知识不完备或者缺少能够完全覆盖各种模式的各类训练样本。在这种情况下基于传统的归纳学习策略或者解释学习策略所构建的分类器,其泛化能力较低,表现为在处理不同批次样本时,误判率较高,使其不能满足解决实际问题的需求。因此,在以解决此类问题为目标所构建的机器学习模型当中,须引入知识发现和知识修正机制,通过不断地发现新知识和修正错误知识,提高分类器的泛化能力。针对上述问题,本文研究了一种基于解释-归纳策略的机器学习方法。利用所研究对象的先验知识,基于解释策略,对先验知识库进行建模,并利用遗传算法,通过先验知识引导下的种群初始化,变异函数的构造,基于特征评价准则的适应度函数的构造,建立知识发现体系模型,解决知识发现问题。最后,基于归纳策略,构建决策树分类器,并修改知识引导系数和知识属性参数,对错误知识进行修正,从而解决知识修正问题。本文以CH5M1A型汽车变速箱为实验对象,利用现场所采集数据,采用本文的方法对变速箱各个档位的原始知识库进行进行知识发现和知识修正,并重新构建各个档位的决策树分类器,最后利用不同批次的测试样本进行测试,通过实验结果来看利用该方法可以有效解决分类器得知识发现和知识修正问题。