在人类认识世界的过程中,人们会不断地接受新的知识,随即人们的认知状态也会发生改变,有时人们遇到的某些新知识会与原来的知识发生矛盾,这时就要对已有的知识库进行更新。如何对已有的信念状态进行修正,从而获得一个一致的新的信念状态,这就是信念修正。尽管信念修正是目前解决不一致信念问题的主要方法,但是信念修正仍然存在一些问题,如丢失希望信息、产生不希望的结论以及结论难于选择等。针对信念修正存在的问题,人们提出了信念非修正的方法。该方法是在允许不一致信息存在的前提下进行推理的,对可能出现的不一致信念不再做任何修正,而将所获得的新知识直接加入知识库,避免了在信念修正过程中所产生的有用信息丢失的现象,从而在知识的增长过程中,不需要对知识库进行维护就能够进行推理；另外,它将在已有的信念之下能够推出的没有相反信息的结论作为系统的最终结论,可使得系统具有惟一的结论集,从而可以解决系统在含有不一致信念的情况下结论难于选择的问题。现有的一些非修正推理方法中采用一般的归结方法作为推理方式。由于一般的归结方法在归结过程中可能产生大量的冗余,针对这一问题,本文在命题逻辑下,对子句型信念集的静态非修正方法进行优化,采用一些方法对归结过程加以限制,比如用删除策略和锁归结,这样就提高了归结的效率。本文证明了采用改进的推理方式后得到的假说扩充并不发生变化,假说扩充的良好性质仍然存在。进一步地,本文给出了基于删除策略和基于锁归结的静态非修正处理方法的实现算法,验证了优化的可行。