规则引擎因其可理解性,易增删,易修改等特点被广泛用于各种智能领域,但其规则匹配效率极其低下,不适合大规模推理。RETE算法通过规则条件共享和保存临时匹配结果获得对产生式推理的极大加速,使其成为效率最高的产生式推理算法之一。但随着数据规模的日益增大,业务信息变更的频繁以及不完整数据,模糊逻辑的广泛出现,以RETE算法为代表的产生式推理算法正面临前所未有的挑战。为了有效解决传统的规则推理引擎在处理大规模数据及逻辑下遇到的问题,本文选取了典型的规则引擎推理算法RETE算法作为研究对象。深入探讨该算法在大规模数据下面临的问题,然后提出了一种新的用于处理大规模数据推理的规则引擎,并研究了两项处理大规模数据推理的关键技术：1.近似化RETE算法：介绍近似化方法的趋势和可行性,然后从事实传播过程的角度对RETE算法进行近似化处理,提出基于事实传播的近似化RETE算法,利用大数据的知识和规则条件的关联关系对推理过程进行加速,从而适应大规模数据处理。2.并行化RETE算法：总结了并行化推理的趋势及目前RETE算法并行化面临的问题,提出一种子规则拆分的方法,将规则合理的进行拆分。并在MapReduce架构上设计实现了规则拆分后的并行化推理算法。最后实现了该规则推理引擎,分别将该大规模规则推理引擎应用于自适应中间件支撑框架和海量数据挖掘按需服务平台上。通过实验和实际应用验证了该智能框架的有效性。