基于案例的推理(Case—Based Reasoning)是一种基于记忆，利用过去的案例和经验来解决新问题的一种方法，它可以看作是从一个案例到另一个案例的类比推理。由于CBR具有易学易用，知识获取容易，适应性强等优点，受到人工智能研究者的高度重视，是人工智能领域新兴的一种重要的推理技术。其基本解题步骤可分为五步：1)新问题的描述；2)案例的检索；3)案例方案的调整；4)案例方案的评估；5)案例学习和维护。 本文依次介绍了案例表示的相关知识及一种面向对象的表示方法，案例库组织索引的目标、原则及采用动态聚类进行组织索引的方法，几种典型的案例检索方法，案例调整知识的获取、调整方法的分类及一个转换式调整模型，新案例的评估方法及案例库的学习与维护等。 此外，对于案例检索过程中的两个重要问题，属性权重的设置和属性值间局部相似度的赋值问题作了重点讨论。对于权重设置，先简要介绍了已有的一种基于粗糙集的权重自动学习算法，并对其进行了问题分析和改进，还介绍了一种权向量渐进学习算法，当用户对当前权值不满意时，可采用此算法进行逐步修正。对于局部相似度的賦值问题，可根据属性类型的不同，即数值型属性，无序枚举型属性，有序枚举型属性分別采用不同的方法来度量其相似度值。 本文最后重点讨论CBR技术在农业专家系统中的具体应用。阐述了使用Delphi 7.0程序设计语言开发的“CBR大豆专家系统”的具体实现及从推理效率和准确性方面进行的实验分析，对CBR技术在农业领域中的具体应用作了初步的探索。但其中仍有些技术不太成熟，如案例调整过程的自动化问题，以及CBR与其它技术的进一步结合，如何开发出更加完善的CBR系统是我们需要进一步研究和努力的方向。