随着建筑业的改革开放和工程建设规模的不断扩大，建筑业已成为我国国民经济的支柱产业之一。然而，缺乏对信息技术的重视和利用成为建筑业劳动生产率一直低于制造业的原因之一。同时，由于建设工程频繁的变更导致了工程争议的不断发生，降低了正常工作的效率，浪费了工程资源，对项目产生负面影响。因此，本文研究了信息技术的分支之一人工智能技术在工程争议中的运用，目的在于提高工程管理的效率。　　本研究设计了工程争议案例库，将争议判决书中的有用信息从文本形式转换为计算机可处理的数据形式。利用关系数据模型对工程缺陷以及法律论证过程的信息建模，从而得到缺陷实体集、证据实体集、工程缺陷争议论证过程实体集等，据此构建了工程争议数据库。　　对争议案例库中的信息进行初步统计分析，得到工程缺陷分布情况、争议论证过程中证据使用的分布情况和项目属性的分布情况。利用相关性检验得到结论:业主是否从事房地产相关业务影响了项目缺陷上的费用;业主是否从事房地产相关业务与工程变更争议判决结果无关;合同类型与工程变更争议判决结果无关。　　利用关联规则挖掘算法进一步分析了工程争议中数据之间的关联性。构建分层信息模型，解决工程争议的数据稀疏性问题。得到缺陷项之间的关联性，缺陷因果关系的频繁项集，质量缺陷争议论证过程的频繁项集。　　利用人工智能技术之一的决策树算法预测工程变更争议的判决结果。针对工程变更争议输入样本的模糊性，设计基于迭代的模糊决策树构造过程。得到结论:模糊C4.5分类器的性能要优于Cart分类器;工期补偿争议的判决模糊度要高于工程价款补偿争议，决策树算法在前者的预测正确率也小于后者。　　利用人工智能技术之一的神经网络算法预测工程变更争议的判决结果。对比分析了BP神经网络和概率神经网络的性能。针对工程变更争议的模糊性，设计了BP神经网络的输入输出参数，并对输入样本进行预处理。得到结论:通过数据预处理，可以提高BP神经网络的预测正确率;概率神经网络的预测正确率要优于BP神经网络。　　最后利用人工智能技术之一的贝叶斯分类器预测工程变更争议的判决结果。对比分析朴素贝叶斯分类器、TAN分类器和贝叶斯网络分类器。对于贝叶斯网络分类器还比较了两类结构学习算法的性能。通过实证分析得到以下结论:TAN分类器的总体正确率要高于朴素贝叶斯分类器，而贝叶斯网络分类器的正确率与TAN分类器相近，结构比TAN分类器简单;在贝叶斯网络分类器的结构学习上，Cheng J.的算法引入领域知识，性能要优于K2算法。　　本研究的意义包括:通过挖掘到的缺陷之间的规律，可以在施工之前起到预警作用，防止缺陷发生，同时预防缺陷争议的产生，在缺陷已经发生时，帮助施工方和监理方找到缺陷的原因以及主动提示可能联动发生的其他缺陷;通过提取的论证策略之间的关联性，可以指导承发包人如何收集证据和组织论证;可以预测对方的辩论策略，有针对性地收集证据和论证观点;预测工程变更争议结果帮助争议双方了解输赢的可能性，据此做出协商还是坚持己方主张的决策，一定程度的减小双方在争议上的支出;从实际判决中可以看到各法律因素的不同取值下判决结果的不同，进而对比得到法官给各因素的不同权重，更好的理解合同和法律条款的规定。本文构建的案例库可以成为工程索赔研究和工程法律研究的基础平台。以本案例库为基础，可以加入不同种类的争议案例，如场地条件争议等;可以考虑其他的推理模型的应用，如CBR推理模型等;可以开发各种模块以满足不同的使用需求，如教学，论证过程自动化等。