贝叶斯网(BN)是人工智能领域不确定知识表示和推理的经典工具,现已被广泛运用于数据挖掘、医疗诊断、模式识别、工业控制、语音识别、基因链分析等多个领域。由于BN能够发掘数据中蕴含的规律,因此其应用价值越来越受到重视。然而,BN的构造和推理过于精确,导致其效率难以满足许多实时领域的应用。作为BN的定性抽象,定性概率网(QPN)具有高效的推理算法,它以定性符号替代BN中条件概率表,简化了不确定知识的表示、加速了不确定知识的推理,它的提出正好弥补了BN低效率的缺点。但是,QPN抽象程度过高,信息损失很大,以致QPN在推理过程中往往会产生不确定结果,我们称之为推理冲突。推理冲突一旦产生往往会随着推理过程的进行扩散到QPN的大部分节点,因此已成为QPN广泛应用的主要障碍。本文以加权的思想扩展传统QPN,使扩展的QPN (MI-QPN)中的每个定性影响都带有一个数值权重,当推理冲突产生时,我们可以根据定性影响权重的比较来避免冲突,从而达到扫除QPN应用障碍、拓宽QPN的应用范围的目的。针对MI-QPN,我们对传统的QPN推理算法进行了扩展,从而实现MI-QPN无冲突推理。本文的主要工作及贡献可概括如下：基于信息论中的互信息,为QPN中的定性影响定义权重(称为MIweight),并给QPN中每个定性影响加上MIweight,从而将QPN扩展为MI-QPN。针对从领域数据中直接构造所得的QPN和由BN转化而得到的QPN,分别提出了从领域数据中和BN中导出QPN中定性影响的MIweight权重的两种方法。讨论了加权定性影响的对称性、传递性和合成性,基于此三种特性对传统QPN推理算法进行了扩展,从而实现了MI-QPN的无冲突高效推理。基于本文所提出的理论方法,我们以实验的方式验证了本文方法的可行性。另外,我们进一步构建了定性概率网的加权扩展及高效推理原型系统,展示了MI-QPN消除传统QPN中产生的推理冲突的过程。