局部搜索算法作为启发式算法,是求解SAT问题较为高效的一种算法,但是在求解结构化算例上能力十分有限。目前大部分局部搜索策略只考虑变元与其所在子句之间的简单关系模式,然而结构化SAT算例和难解的随机SAT算例中存在着隐含的多元关系模式,易导致局部搜索陷入求解困境。使用统计学习与概率推理技术,发掘并利用SAT局部搜索过程中隐含的变元与子句间多元关系模型,为局部搜索求解难解SAT问题带来了新契机。使用经典的SAT局部搜索算法求解各类难解SAT算例,对局部搜索求解过程中的关系事件进行统计与分析,发掘带有结构化信息的变元与子句间多元关系事件模型。在此基础上构建含有关系事件概率的贝叶斯网络,基于统计信息下变元翻转事件传递性导致子句不满足事件的概率,提出带有关系事件统计与学习能力的SAT局部搜索框架。最终提出间接破坏权重和的概念,利用学习到的关系事件概率知识信息,提出基于统计学习与概率推理的IBWsat算法。IBWsat算法在保留局部搜索策略对随机算例求解能力的同时,利用搜索中表现出的结构化信息提高对于结构化算例的求解能力。对比IBWsat算法、probsat算法和高效的WalkSAT算法,实验结果表明IBWsat算法在求解结构化算例时,所用搜索步数更少,求解出的算例更多。不仅如此,在求解随机算例时,它继承了WalkSAT算法高效的搜索特点和probsat算法对于随机算例较强的求解能力。