随着计算机和网络信息技术在各个领域的广泛应用，人们获取信息的方式越来越智能化。如何高效地从相关信息中获取重要知识，是当前需要重点研究的关键问题之一。概念格理论的提出就是为了解决如何高效的处理数据和信息，并从中发现可利用的知识或规则。本文针对当前概念格研究中的格合并和格匹配，深入研究高效的概念格合并算法和精确的概念格匹配模型。论文的主要工作如下：1.针对现有概念格合并算法大多基于单一的方向进行概念格的合并，提出了一种双序渐进式概念格合并算法。该算法不是基于单一的方向，而是从上下两个不同方向渐进式地同时进行概念格的合并，即按概念的外延或内涵的势由上往下和由下往上同时进行子概念格的合并构造，在中间对齐完成整个概念格的合并。算法示例及分析结果表明，与现有文献中的其他算法相比，该算法在保留原有结构化信息的同时，显著提高了概念格合并的效率。因此，可实际应用于大规模分布式数据处理中的概念格构造。2.针对现有概念格匹配模型中的概念相似度计算大多只考虑概念的结构信息而忽视了概念之间的语义信息，或者只考虑语义信息而没有利用概念的结构信息，提出了一种新的概念相似度计算模型。首先利用概念特征之间的偏序关系建立形式背景和概念格，然后在结构层次求出概念间的交不可约元集，并通过对集合里各元素的语义关系进行量化计算出概念间的相似度。实例结果表明，这种新的概念相似度计算模型使概念匹配的性能获得了明显的提高。因此，可实际应用于语义Web、信息检索、数字图书馆等相关应用领域。