案例推理（Case-based reasoning，CBR）技术起源于认知科学对人类推理和学习机制的探索，是人工智能领域中一种较新的推理方式和机器学习方法，在模式识别、回归预测、产品设计等领域得到大量研究和应用，其间，如何提高其推理性能和学习能力是众多研究人员关注的焦点。影响CBR推理性能的几大开放性问题主要包括案例检索、案例重用、案例修正和案例存储等，其中，制定优良的检索策略是提高推理精度的关键；具有遗忘功能的选择性案例存储能显著提高推理的效率。因此，本文借鉴认知科学的内省学习、记忆和遗忘原理，使用群决策理论与方法，围绕案例检索、案例存储等环节开展了提高CBR推理性能和学习能力的研究，取得如下成果：(1)为了改进静态赋权方式学习能力不足的问题，借鉴认知科学中的内省学习原理，提出一种具有收敛性的内省迭代调整方法。该方法可根据CBR问题求解的性能变化情况对属性权重进行迭代调整：基于成功驱动策略，若CBR系统对当前问题求解成功，则增加匹配属性的权重，同时降低不匹配属性的权重，从而得到更合理的权重分布，为案例间的相似性度量和检索匹配目标案例的解答奠定了基础；(2)针对单次案例检索策略不能充分利用案例库信息的问题，借鉴群决策对群体认知能力的综合利用思想，提出一种具有收敛性的案例群检索策略。该策略首先由遗传算法得到多组权重，进而利用内省迭代调整方法对每一组权重进行迭代训练，再将训练后的权重用于相似性度量，最终得到满足简单多数原则的群检索结果，为目标案例的成功匹配和有效重用提供了方法基础；(3)针对CBR的增量式学习使得案例库出现冗余而导致推理效率不高的问题，将认知科学中的记忆和遗忘原理应用于案例的维护中，获得一种旨在解决“效用问题”的动态维护方法。该方法在案例保存环节之后增加了案例回顾环节，建立了一种新的具有记忆与遗忘功能的CBR模型。该系统可对更新的案例进行记忆和选择性保存，对参与问题求解的匹配案例进行遗忘值的更新和选择性删除，为删除冗余案例、动态控制案例库的增长提供了指导，能够有效降低问题求解的时间复杂度；(4)根据获得的方法开展了CBR认知系统的实验研究。利用加利福尼亚大学欧文分校（University of California Irvine，UCI）提供的典型分类数据集，设计了五折交叉验证的实验方案，分别对权重的内省迭代调整方法、案例群检索策略和案例库的动态维护方法进行了对比实验，结果表明这些方法提高了问题求解的质量，保障了求解效率。进而将提出的三种方法整体应用于CBR的推理求解，建立了心血管病辅助诊断系统，从诊断的准确率、灵敏度、特异度等方面进行了对比实验，取得了预期效果，表明本文方法能够增强传统CBR系统的推理能力，可以有效提高其学习性能。