将概率图模型和一阶逻辑理论结合在一起，并用单一的简单形式表述是人工智能长久以来的一个目标，我们可以使用概率图模型来高效的处理不确定事务，还可以用一阶逻辑简洁的表示整个世界。在很多实际应用中，我们同时需要将这二者统一。马尔可夫逻辑网(Markov Logic Networks，MLN)便是这样一种简洁而又功能强大的语言，它很好的将概率图模型和一阶逻辑结合在一起。近几年，马尔可夫逻辑网已经成为人工智能领域研究的一个热点，在社会关系学、生物学、计算机科学等领域有着广泛的应用。本文的重点研究对象是马尔可夫逻辑网理论知识系统及其在基于信任的推荐系统和中文时间关系识别中的应用，本文的主要工作与研究成果如下：①研究了Markov逻辑网相关的理论知识系统介绍统计关系学习相关的背景知识，包括其概念、方法和应用领域；然后介绍了Markov逻辑网和相关的概念，包括一阶逻辑、Markov网，讨论了Markov逻辑网的权值学习算法和推理算法。②将Markov逻辑网应用到基于信任的推荐系统中将信任引入到推荐系统中，能在一定程度上解决基于协同过滤的推荐系统中存在的冷启动、数据稀疏性和“托”攻击等问题，然而信任是一个复杂的概念，对信任进行传播和预测决定着推荐系统的好坏。本文根据信任的传递性质，提出利用Markov逻辑网构建信任传播模型并进行信任关系预测，实验结果表明，在基于信任的推荐系统中Markov逻辑网方法比MoleTrust方法在推荐精度和解决冷用户问题上有更好的效果。③将Markov逻辑网应用到中文时间关系识别中中文时间关系识别是中文语义信息处理中的一项基本任务，传统的机器学习方法解决时间关系识别被看做是一种局部的分类方法，本文提出利用Markov逻辑网来解决中文时间关系识别问题，根据局部特征和全局特征构建了相应的Markov逻辑网模型，实验结果表明全局Markov逻辑网模型要优于基于最大熵时间关系识别方法。基于以上的研究可知，马尔可夫逻辑网统一了概率图模型和一阶逻辑，能够很好的处理不确定性、允许不完整和矛盾的知识，还可以作为构建马尔可夫网的模板，因此有着广泛的应用前景。