智能规划是人工智能研究领域的一个重要分支。智能规划问题是一种关于动作的推理问题，即从某个特定问题的初始状态出发，寻找一个动作序列，使之能到达目标状态。规划系统可运用不同的求解策略来求解规划问题。本文从搜索空间约减和领域知识提取两个方面来研究提高规划求解效率的方法。　　 谓词知识树是一种特殊的树形结构，它表达了实现同一谓词的所有动作。知识树的规模将直接影响规划树的生成效率。本文提出了谓词知识树的分解原理以及基于特征前提和静态前提的知识树分解策略，并给出了谓词知识分解算法KTD。对任意一个规划领域，利用算法KTD可将谓词知识树分解成若干个较小规模的特征知识子树或静态知识子树，这些知识子树对具体规划状态具有更强的针对性。在规划求解过程中使用知识子树可避免一些不必要的动作搜索，减少搜索空间。实验结果表明应用知识子树可有效地提高规划效率。　　 派生规则是一种基于逻辑推理的领域知识表示方法。本文在对动作模型和派生规则综合分析的基础上提出了基于派生谓词的STRIPS领域知识提取策略，并给出了领域知识提取算法GetRules。对任意一个规划领域，利用算法GetRules可提取出隐含在领域描述中的领域知识：间接效果规则、条件间接效果规则和阻碍效果规则。在规划求解过程中，这些领域规则可用于减少派生规则的逻辑推导，指导规划动作的启发式搜索，从而达到提高规划效率的目的。此外，利用提取所得的领域规则可分析领域谓词之间的互斥关系，这种互斥关系可用于判断一类派生规划问题的可解性。实验验证了算法GetRules的可行性和有效性。