自从人工智能形成一个学科以来，科学家们遵循着一条明确的指导思想：研究和模拟人类思维的普遍规律，并用计算机模拟它的实现。对人类智能，尤其是认知过程的模仿和了解，进行了很多尝试。但实践表明现今的大多数智能系统都经不起常识一击，即对常识的表示及其推理都是非常困难的。而常识推理中的难点及重点即为对不一致知识的处理问题。 根据不同的应用领域的不同需要，研究者们已经提出了许多种对不一致知识的修正方法。在所有的方法中最有影响的一个，是由C.Alchourron、P.Gardenfors和D.Makinson所提出的AGM理论，AGM理论中提出了一组应为所有合理的信念修正模型所满足的公设，即所谓的AGM公设。本文将对几种信念修正方法进行比较，并讨论他们满足AGM公设的情况，同时给出定量非修正方法的实现算法。具体而言，主要完成以下三项工作： (1)首先介绍几种典型的迭代修正方法。并对这些方法进行比较，讨论他们满足AGM公设的情况。得出修正序列为线序要优于基序。另外指出各种方法一般都应遵循两个原则：一是最小改变原则；二是强首要更新原则。 (2)各种信念修正方法都存在着丢失希望信息、产生不希望结论或结论难于选择的问题。邓安生提出定量非修正方法，该方法避免了在信念修正过程中所产生的有用信息丢失的现象；并将在已有的信念之下能够推出的最为可靠的结论作为系统的最终结论，使得系统具有唯一的结论集，从而完全解决了系统在含有不一致信念的情况下结论难于选择的问题。 通过对定量非修正方法满足AGM理论情况的讨论，本文认为这一方法满足AGM公设，是一种性质良好的不一致信念的处理方法。 (3)众所周知，经典命题逻辑中的判定问题是NP完全问题，而一阶逻辑是半可判定问题，关于非经典逻辑特别是非单调逻辑的计算复杂性分析和算法实现是一个重要的研究领域。 本文将定量非修正处理方法建立在命题逻辑意义下，给出其实现算法。