随着语义Web的提出和语义技术的进一步发展,出现了越来越多的大规模本体。由于本体缺乏内在的结构,基于表算法的描述逻辑推理系统总是将本体视为单体对象来处理。在本体规模增大的情况下,推理系统的效率呈下降趋势。尽管出现了一些针对特定子语言的高效推理算法,但这些特定算法在处理强表达力本体时不能保证推理的完备性。另外,标准的描述逻辑系统把本体视为静态的数据对象。即使本体中出现极小的更改,推理系统也要重复整个本体的推理过程,导致不必要的重复计算,降低推理效率。因此,在保证推理完备性和可靠性的前提下,研究大规模本体的逻辑结构和演化特性,进一步优化推理算法,成为是目前亟待解决的一个主要问题。针对大规模本体推理中出现的问题,本文从三个方面进行创新性研究:(1)针对现有的本体模块化分解方法存在的不足,提出一种混合的本体模块化分解方法。把OWL 2 EL子本体表示为有向超图,根据有向图中的可达性和强联通性计算EL部分的模块化分解,然后利用局部性模块抽取方法将剩余公理添加到前面计算的结构中,得到整个本体的模块化分解。(2)根据本体的模块化结构,将本体分解为若干个相互独立的子本体,依据不同模块的语言特性把它们分配给相应的推理子系统,实现推理的按需分配,进一步优化推理服务。(3)研究演化的OWL2 QL本体的增量推理问题。根据OWL 2 QL本体的有向图可表示性,将OWL 2 QL本体的分类推理问题规约为有向图的传递闭包问题。并将演化的OWL 2 QL本体映射为动态有向图,从而将OWL 2 QL本体的增量分类推理问题转换为动态维护有向图的传递闭包问题。实证研究表明,本文提出的方法能够有效的解决大规模本体推理中存在的部分问题。首先,本文提出混合的本体模块化分解方法能够有效地对强表达力SROIQ本体进行分解,对于所有的测试本体,效率平均提高6.7倍。为大规模本体的模块化管理以及模块化推理提供了技术支持。其次,联合OWL 2推理器和OWL 2 EL推理器的模块化推理方法实现了更优化的推理任务划分,推理效率高于现有标准的表算法系统。最后,对于OWL 2 QL本体,利用有向图识别到的受影响路径总是小于通用增量推理方法中的受影响模块,从而最大化利用前面的计算结果,提高了增量推理的效率,本文提出的方法更适合于动态的OWL 2 QL本体。