知识是对“识”的理解和描述,也可以说知识就是智能。但目前的主流认知是知识是人类在实践中认识客观世界的结果,这种认识并没有对认识的主体进行讨论。在人工智能领域,为了建立一个基于共识的知识库来表现智能,出现了专家系统、神经网络、知识图谱等模型,这些模型对知识的研究不够深入,且知识库不会随外界更新。因此为了建立一个全面、基于自我意识、可以随外界更新的知识库,本文在知识表示研究的基础上,将知识融合任务分成描述性、过程性、策略性和情感性知识融合四个部分,该研究使AORBCO模型中的Ego可以学习新知识并形成自身的理解,是模型进行演化和问题规划的关键。以下是论文的主要研究内容:1)根据知识的本质,选择AORBCO模型作为知识表示方法。现有知识仅从来源、决定因素和组成的角度对知识进行分析,将智能和知识割裂。针对该问题,本文基于唯识学重新对知识进行定义,知识是对“识”的理解和描述。随后从知识的四大特性、知识的作用和知识的组成三个新维度对现有的知识表示方法进行分析和比较,发现这些知识只能表现智能的一部分。由于AORBCO模型中的知识表示方法可以解决现有知识表示存在的问题,能更全面的表现智能,因此选择了AORBCO模型进行知识表示。2)按照知识的不同作用将知识分成四种并研究了四种知识的融合方法。AORBCO模型中的知识融合是为了将现实世界感知到的事物映射到抽象世界当中,形成对新世界的认识并完成知识的更新。描述性知识是描述事物状态的知识,在描述性知识融合中,针对实体对齐问题,提出了CANE-EA算法,该算法根据实体所属类和周围实体进行对齐,使Ego建立起现实世界到抽象世界中信念的联系。过程性知识是改变事物状态的操作,在过程性知识融合中,首先对参数和参数约束进行定义,针对能力对齐问题,提出了PARO-FA算法,该算法根据参数、前置条件和后置条件来判断能力是否对齐,使Ego能学习新能力。策略性知识是对过程性知识的选择,在策略性知识融合中,使用策略图（Strategy Knowledge Graph）来表示策略性知识,使Ego在进行问题规划时,可以根据策略图进行推理。情感性知识是进行价值判断的知识,在情感性知识融合中,给出了描述性知识和策略性知识中权重是如何变化的,使Ego形成了对事物的偏好并进行改变。3)在AORBCO模型平台中设计了三个实验以验证算法的可行性并将算法应用到智能Web中以验证算法的可用性。在描述性知识融合实验中,通过融合现实世界抽象的三元组信息,验证实体融合算法的可行性。在过程性和策略性知识融合实验中,通过融合新的能力,验证过程性知识融合算法和策略性知识融合算法的可行性。结果表明本文提出的算法可以使Ego基于自己的知识库对信念、能力和策略图进行更新,为Ego学习新知识和认识新世界提供了方法。