机器智能化一直是人工智能追求的目标,而机器学习作为人工智能的一个重要分支,是机器智能化研究的重要内容。但是机器学习的研究正面临着一个困境,那就是,机器无法表征所有的人类推理知识以及现实世界事实。之所以如此,是由于现实世界的复杂性与多样性,许多知识都呈现出不确定性与模糊性。因而,如何丰富机器的表征力,实现对不同知识的表征与处理(也就是“机器可学习性问题”)就成为了计算机研究迫切需要解决的问题。而作为新表征形式的非经典逻辑在保留经典逻辑形式化特征的同时也放弃了经典逻辑遵循的必然性推理特征,成为了当下机器可学习性问题最具潜力的研究方法。在此,我需要强调的是,本文所指的机器是由软件与硬件构成的趋向于智能化的计算机系统,而非简单的机械装置。论文立足于非经典逻辑的视角,考察了非经典逻辑的结构特征,并从非经典逻辑的形式结构以及推理技术上分析该类逻辑系统何以能表征多样的现实世界事实与知识。论文主要分为三部分,其中第一章为第一部分,第二、三、四、五章为第二部分,第六章为第三部分。第一部分主要探究了机器可学习性问题中概念之间的联系与区别,考察了当下机器可学习性研究的特征。在此基础上,通过对非经典逻辑特征的分析表明非经典逻辑是机器可学习性问题研究最具潜力的方法,该方法既具有较强的形式推理能力,又具有推理的不确定性特征,在保证推理有效性的同时丰富了推理的结果。论文的第二部分依据不同的逻辑系统对四类不同特征的知识进行了具体分析,为不确定知识的表征提供了潜在的研究路径。论文的第二章对比了可能世界语义学与情境语义学,阐明了可能世界可以被解释为情境,并指出模态逻辑具有与情境计算相类似的特征,可以尝试被用于表征情境知识。第三章揭示了语境是模糊性问题解决的关键所在,因而提出通过语境的明晰来解决模糊性问题,并从两种不同语境逻辑的视角具体分析了模糊性问题。第四章则是详细分析了有意义的矛盾,阐述了次协调逻辑可以容纳有意义的矛盾,并依据四值结构和注释格结构具体阐释了矛盾的分析过程。而第五章作为对不完备经验知识的分析,则是在概率论的可信度解释上,通过计算证据对经验知识的支持度刻画了经验知识的可信度与有效性,并详尽的剖析了经验知识的修正过程。第三部分则是对不确定性知识表征问题的哲学思考,从逻辑学视角揭示了知识表征问题在研究内容与研究方法上的转变,表明了非经典逻辑是一种语形分析与语义分析相结合、语境与计算相融合的研究方法,并且该方式还试图实现科学理性与人文理性的统一。而从知识论视角来看,知识因证据和语境而具有多元性,并指出知识是可错的。结束语从不确定性知识的表征、大数据分析的需求以及形式研究方法的变革概述了机器学习以及人工智能的研究将走向可计算化,进而指出计算主义将是未来的发展趋势,并从物理架构、研究方式、研究对象和研究方法四个方面简要地分析了计算主义的发展;且在此基础上,简要的说明了常识推理、自然语言、生物动力模型以及机器学习的样本数据将是未来需要重点研究的问题。整体而言,本文首先对机器可学习性问题的概念、特征以及研究方法进行了探讨,在此基础上,从四个角度进一步考察非经典逻辑如何表征多样的、模糊的、不确定的知识,并从哲学视角阐释了非经典逻辑在知识表征问题解决中的适应性与合理性。本文的目的在于:依托于非经典逻辑分析其对不同类型知识表征的合理性,表明非经典逻辑是机器可学习性问题解决的重要途径,也是机器智能化研究的新颖路径,具有重要的科学价值与哲学意义。