基于事例推理(Case-Based Reasoning，CBR)作为基于知识的专家系统(Expert System)的一个分支，它是目前人工智能(Anificial Intelligence)研究中一种正在迅速发展的推理方法。 遗传算法是用计算机来模拟生物进化思想的一种优化算法。美国 Michigan 大学的Holland 教授于 1975 年首次提出遗传算法。遗传算法是在固定的种群规模下，利用个体适应度来引导搜索，通过按一定概率进行的选择、杂交和变异等遗传操作来完成群体的更新，因而它实际上是一种“盲目的概率启发搜索策略”。由于它简单，鲁棒性强，易于并行化，已经在各个领域得到了广泛的应用。 本文首先介绍了 CBR 和遗传算法的基本概念和原理，然后结合本文的应用背景，具体的阐述了 CBR 系统的核心环节：事例表示和存储、事例检索和匹配、事例的修改和学习、事例库维护。 将遗传算法应用到 CBR 系统，使用改进的遗传算法，对事例库中的特征权重向量进行优化；对于给定的目标事例，如何从事例库中检索和选择出最为相似的事例决定了基于事例推理系统的学习与推理性能。事例间的相似性度量是检索的关键，其中事例的特征项权重对检索的质量与速度都起到了重要的作用，因为本质的相似比表象的相似更重要，即通过对特征项赋权重来体现事例的不同的特征具有不同的重要性。在事例的表示中采用了面向对象的方法，有效的解决了知识表达的问题；在事例检索中，采用了最近相邻方法。最后，通过系统运行测试验证了上述方法的有效性和实用性。