知识表示是知识工程的核心课题之一,主要研究用什么样的方法解决问题所需的知识存储在计算机中,并便于计算机处理。大量的研究和实践证明,知识表示方法的优劣不仅对对知识的获取和学习机制也有一定的影响,而且对知识处理的效率和应用范围影响很大,合理和有效的知识表示方法往往成为知识系统成败的关键。Petri网具有直观的模型描述、严密的数学理论基础和有效的模型分析方法,是研究具有并行、异步、不确定和分布式特征系统的强有力工具。基于Petri网的知识表示方法可将知识表示和推理融于一体,实现描述性知识和过程性知识的推理,其优越之处在于结构和知识表达图形化、推理搜索快速化和推理过程数学化。论文结合国内外Petri网理论的发展成果,对基于Petri网的知识表示方法中的模型与推理算法、知识库校验、模糊与不确定知识表达和推理机制以及自学习能力等关键问题进行了深入的分析和研究。该理论和方法进一步丰富了人工智能理论体系,对人工智能技术的发展具有重要的推动作用。论文的主要工作和研究成果如下：1、给出了基于知识Petri网的知识表示模型与推理算法。传统的基于Petri网的知识表示方法是利用基本Petri网进行知识表示和推理。论文分析了基本Petri网在知识表示时存在的冲突和冲撞等问题,给出了更加适合知识表示和推理的知识Petri网的知识表示模型,推理算法充分利用了Petri网的并行能力,完全采用矩阵运算实现,简单高效。2、给出了基于Petri网的知识库校验方法。基于产生式的知识库校验方法难以完成规则与规则之间的不一致性校验,论文给出了基于Petri网的冗余规则、矛盾规则、循环规则和不完备规则的校验方法,并用一个校验实例验证了该方法的正确性。3、提出了基于加权模糊Petri网的模糊、不确定知识表达模型及其推理机制。模糊Petri网具备复杂系统的模糊、不确定知识表达与推理能力,然而它没有考虑不同因对结论的影响程度。针对模糊Petri网知识表达的这一不足,论文给出了更为精确、合理和有效的加权模糊Petri网模型。传统的模糊Petri网推理算法主要采取图形的推理方法,效率低且不便于计算机实现。论文给出了模型的形式化推理算法,推理效率高且十分便于计算机实现。4、研究了模糊Petri网的自学习能力及其在专家系统中的应用。缺乏自学习能力是模糊Petri网的一个不足。人工神经网络具有很强的自学习和自适应能力。论文将神经网络的自学习算法引入模糊Petri网中,使模糊Petri网具备自学习能力。最后将其应用到故障诊断的实例之中,验证了其良好的效果。