可满足性问题(Boolean Satisfiability problem,SAT)作为计算机科学理论领域的经典问题,有着广泛的应用前景,亦是当前学界研究的热点。SAT问题的求解算法主要包括完备算法和不完备算法两大类,其中不完备算法中的随机局部搜索算法因求解效率高受到广泛的关注和研究。但随机局部搜索算法的一个重大缺陷即在搜索过程中容易频繁陷入局部极小点,特别是在求解结构化算例时表现尤为明显,因此如何在局部搜索过程中有效地规避局部极小点是提升算法求解效率的关键。本文通过对历史搜索行为进行统计分析,挖掘局部搜索过程中变元与子句间的复杂关系及概率,提出一种计算变元翻转间接使得子句变为满足或者不满足的概率推理模型。利用该推理模型计算变元翻转间接使得当前满足子句集合变为不满足的概率,并避免概率高的变元再次被翻转,从而形成一种基于概率推理的变元禁忌策略—SLPR(Statistic Learning and Probabilistic Reasoning)。使用该变元禁忌策略替换gNovelty+算法中的break-tie策略,形成基于概率推理的局部搜索算法gNovelty+SLPR。将gNovelty+SLPR和gNovelty+、gNovelty+PCL算法一起对随机算例和结构化算例进行实验对比,比较成功求解所需翻转步数以及局部极小点数。实验结果表明,相较于gNovelty+和gNovelty+PCL,gNovelty+SLPR算法在求解结构化算例时,多数算例成功求解所需翻转步数和局部极小点个数均有不同程度的减少,优势明显。对于随机算例特别是大型随机算例,求解成功所需翻转步数和局部极小点个数亦有一定程度的降低。