模型计数(model counting,#SAT)问题旨在计算给定的公式集合中所有模型的个数,绝大部分计算复杂度为#P的问题均可以在多项式时间内归约为模型计数问题。在人工智能领域,许多计算复杂度高于NP的问题均可转化为模型计数问题进行求解。因此,研究模型计数问题求解技术对可以与模型计数问题相互转化的领域有着重要意义。然而,现有的精确模型计数求解算法对大规模问题求解能力较为低下,而且对于目前的许多问题来说,求出精确的模型数是不必要的,因此近似模型计数求解技术被提出。其中最有潜力的方法之一就是基于异或约束进行近似求解。该求解方法的本质是基于采样的思想,利用平均长度为变量数一半的异或约束对解空间进行削减,待解空间削减到足够小后,利用精确求解技术对其求解从而得到精确模型数,最后通过该解空间与整体解空间的比例关系估算整体解空间的近似模型数。通过对现有的近似求解算法的深入研究,本文提出了一种新的结合有界求解策略与可控随机策略的近似#SAT求解算法。由于异或约束在解空间较小时分割不够精确,有界求解策略通过限制应用异或约束的解空间规模有效地提升了求解算法的精确度。可控随机策略利用骨架变量以及变量之间的约束关系,提升了异或约束的质量,使得短异或约束在解空间上的约减效果也能够达到传统异或约束的效果(传统异或约束的平均长度为变量个数的一半),同时提高了可满足求解的效率。为了对该策略的性能进行验证,本文选取了来自4个领域的共计120个测试样例以及目前国际主流的2个近似模型计数求解器进行了大量实验。实验结果表明,结合有界求解策略与可控随机策略的近似#SAT求解算法相比于现有的近似算法,求解精度和求解效率都有较大的提升。