随着计算机性能的提升和算法的优化,从大量的数据间发现某些事物的因果关系逐渐引起了人们的兴趣,尤其是从数据中自动分析出因果关系的算法,更是成为了研究的热点。然而从数据中挖掘因果关系的一系列理论仍然缺乏与之匹配的逻辑系统,进而影响了其在推理等方面的应用。本文主要针对该问题进行了一定的尝试与研究。在人工智能领域对知识进行处理时,新知识的出现往往会与已有的旧知识产生冲突。传统的逻辑不能解决这样的矛盾,因此研究者们对非单调逻辑进行了广泛而深入的研究。其中,因果非单调推理就是最为著名的逻辑系统之一。在现实世界中,智能系统始终处在一个动态的环境中,需要对动态的环境作出响应,对响应结果的预测和推理将决定采取的行为方式,为了刻画这种因果关系并进行推理预测,Mc Cain、Bochman等定义了非单调因果逻辑能够用来表示动作的属性,包括有条件的动作、动作的间接效果、非决定性的动作和并发执行的动作,从而使一个机器人或者智能体可以推理环境的改变。本文基于这些逻辑系统,结合数据中自动分析出因果关系的算法,主要进行了以下研究:1.针对Horn型因果理论进行处理,证明了这样的处理不会影响因果理论的模型存在性,进而可以判断一个Horn型因果理论是否存在模型,并给出了模型存在性判定算法。在此基础上,定义了集合Re（C（?））,并引入集合间的互模拟的概念,证明了互模拟关系与模型等价关系的一致性,同样给出了相应的算法用于判定因果理论间的等价性。此外,本文通过一个实例说明该方法在基于数据分析的因果关系中的应用。2.本文在因果非单调推理的基础上,引入了可信度的概念,构建了含可信度的因果产生推理系统。通过单调语义部分,可以说明我们构建的含可信度的因果产生推理系统是合理的,也有相应的语义匹配。通过非单调语义部分,可以说明该推理系统用于非单调推理是足够的。本文还给出了一个例子,说明了该逻辑系统的应用场景。