马尔科夫回答集逻辑程序(Logic Programming with Markov Logic Networks,LP^MLN)通过赋予规则权重的方式扩展了回答集逻辑程序（Answer Set Prolog,ASP）,并引入了马尔科夫逻辑网（Markov Logic Networks,MLN）中的方式来处理知识表示与推理中的不确定性和不一致性。因其表现能力较强,LP^MLN可以用于解决多种实际问题。当前LP^MLN推理的主要问题是:LP^MLN推理基于LP^MLN程序的求解,而LP^MLN程序求解的复杂度较高,且已有的求解器主要用于理论验证,求解效率低,难以支撑进一步的应用。当前的LP^MLN求解器基于转化求解法,将LP^MLN程序转化为ASP或者MLN程序求解,这样间接求解效率较低;并行化可以提高LP^MLN的求解效率,但是当前的LP^MLN并行化求解方法还有待优化与完善,难以支撑并行求解器的实现。针对上述问题,本文一方面提出LP^MLN直接求解方法,另一方面对LP^MLN并行化求解方法进行优化与完善。因此,本文的主要工作包括:1.研究LP^MLN的直接求解方法,包括:提出了基于转化的LP^MLN实例化方法;提出了LP^MLN的完备化和环公式,为直接求解提供理论基础;提出了冲突驱动的LP^MLN程序求解方法,为LP^MLN的直接求解提供支持。2.对已有的并行化方法进行优化与完善,包括:提出了基于传播的增强子集拆分方法,以优化基于增强子集的并行化方法;提出了分割集的计算方法,以完善基于分割集的并行化方法;结合任意分割理论,进一步完善了基于分割集的并行化方法;提出了独立子程序的计算方法,以完善基于独立可分的并行化方法;提出了LP^MLN并行化求解方法的组合方法。3.基于上述方法实现了LP^MLN求解器,并通过实验对方法的有效性进行了验证。