智能推理作为人工智能的一个重要研究领域，一直以来都是一个研究热点，但尚需解决的问题或难点还有许多。有些实际问题，需要在信息量不充分的条件下进行数据处理，这方面的研究尤其要深入。中医诊断数字化问题的关键就是要解决非完全信息数据智能处理技术。本文研究了这方面的一些处理方法，并将其应用于“中医瘀血舌象智能诊断系统”进行检验。主要内容和研究成果简述如下： 1、本文提出了一种可扩展智能推理算法。客观事物可用一组特征数据表示，每个特征数据都是客观事物存在的一种表示。先依据已知特征数据提供的信息推出存在可能性最大的对象，然后以可能性最大的对象为中心进行拓展，补充相关数据，最后在补充信息较充分的条件下进行数据处理。这种处理方法能模拟人脑思维的先发散后收敛过程。该算法不仅能在信息量不够充分的条件下采取相应的数据智能化处理措施，而且能有效处理冗余信息。 2、基于研究的新算法，综合应用模糊逻辑推理、神经网络技术、机器学习、数据挖掘、模式识别及医学症状信息量化等方面的研究成果，本文提出了一种基于竞争神经网络的可扩展智能推理模型。该模型把模糊竞争神经网络嵌入到一个环路中，把专家经验库作为竞争神经网络的学习样本集，竞争神经网络通过学习，以权值矩阵存储专家经验。依据已知的特征数据神经网络先进行综合计算，计算结果作为竞争神经网络的输入，竞争神经网络计算出可能性最大的对象，然后进行循环计算，补充新特征数据后再进行综合计算和评价，直到得出一个满足评价要求的诊断结果。 3、本文研究了提取诊断经验的数据挖掘方法。针对中医舌象诊断信息的智能化处理系统的复杂数据，本文提出了更准确的支持度和置信度定量描述方法，并提出了关联关系强弱的定量描述方法，提出了改进的关联规则算法和改进的FP-growth算法。将其与传统的算法进行分析比较，应用在“中医瘀血舌象智能诊断系统”的数据挖掘中，实验结果说明了算法的有效性。 4、本文研究了一种基于模糊粗糙集的网格划分聚类算法。将模糊粗糙集基本原理与网格划分聚类算法相结合，提出一种改进的聚类算法，以适应提取中医诊断规则。在定义隶属度函数前先做网格划分，形成数据簇的基本形状，并提供真实的参数信息参与此后的隶属度函数定义，隶属度函数综合考虑了影响簇形状的因素。算法通过网格的粗糙模糊划分加速聚类过程，克服了传统模糊聚类算法时间耗费大的缺点。 5、应用本文的新算法和智能模型开发了“中医瘀血舌象智能诊断系统”，实现了对中医专家诊断推理过程的模拟。该系统对一般病证和复杂病证都能进行辨“证”，其结果与专家辨“证”一致，这表现出系统具有较好的鲁棒性。系统可提取诊断经验，补充专家经验库。除疑难杂“证”外，系统的识别率可达90％。 本文研究了复杂条件下智能推理和数据挖掘的新方法，并将其应用于实际问题。同时，本文的研究可为医学诊断数字化提供一种新方法。