人工智能的迅速发展促使人们关注人脑思维功能并积极开发概括性的心智模型。如果能恰当地表示人类思维特征和推理方面的信息，以及开发相应算法去模拟人类思维，则对智能概念和功能的理解十分有益，因此本文的目标是探讨一些思维现象的形式模型，它可以作为在设计人工智能模拟人类创造性思维算法时的参考。论文的主要工作包括： (1)人类在思考问题时，往往受潜意识的影响，但是人们还是希望用确定性的方法对它进行研究。具体到偏好行为，提出AF偏好模型和超滤偏好模型。AF模型是将归纳逻辑和概率逻辑引入偏好理论，使之既可以描述人们的行为且又有坚实的逻辑基础。超滤模型是现有偏好模型中允许“不理性”因素存在的较简单的一种模型。所谓超滤就是在agent比较物品时所涉及到的性质集合上的一组子集合族，这组子集合族满足一定的条件，即由它们能够判定物品之间的偏好取舍关系。由于子集合族是普通的数学概念，由它们构成判断标准恰好能够抓住人类潜意识中的某些重要特征，这些特征往往表现出“不理性”的倾向，所以就描述的偏好模型而言，它可能也是关于人类潜意识的一个形式描述。 (2)人类在处理问题中往往分为两个层次，首先在整体上把握问题，即提出大体方案，然后再具体实施。也就是说人类就是具有多分辨率智能系统的极好例子，他能够在多个层次上从底向上泛化(即看问题角度粒度变“粗”，它类似于抽象)，并且又能从项向下进行实例化(即看问题角度变“细”，它类似于具体化)。由此构造了由在双层——理想空间(即泛化)和实际空间(即实例化)——上各自运行的马尔可夫决策过程组成的半马尔可夫决策过程，它能够经济地节约“思想”，对运算的可行性和有效性十分有益。 (3)就现有的逻辑马尔可夫决策编程，利用现代概率论中的条件数学期望和正则条件概率理论建立基础和逻辑两种马尔可夫决策过程之间的联系，指出逻辑马尔可夫决策过程中找到的最优抽象策略在某种平均意义上也是具体空间上的最优方案，从而表明人们在处理问题(特别是复杂问题时)先抽象再具体的合理性，也为关系增强学习提供一种数学理论框架。 (4)此外，论文还对粒子群优化和社会演进间的联系作了探讨，提出粒子群协同模型。人类历史往往与优秀分子的活动分不开：社会精英们领导进步力量，在他们的带领下，整个社会会达到某种状态。因此我们将协同学思想运用到群智能中去，即在迭代中先选出优化粒子，再将优化粒子的影响传播到整个群结构中去，从而引起结构的演化以及在该演化过程中优化粒子的更新，最后达到稳定状态。 (5)对人类思维的其他现象进行了一些探索，包括：①探讨人类思维本质，构造出一个形式化的数学模型，主要包括知识空间，直觉空间，潜意识空间三个空间的形式描述，由此阐述人类思维的特点和结构；②人类往往是采用面式思维，即当问题的解尚未凸现甚或问题的表述尚未清晰时，并不像逻辑推理中所呈现的那样，清晰地以“点”式延续的，即随着时间从某一确定点进展到另一个确定的点。而是像一团云，弥漫在状态空间上，也就是说是以“面”式扩散思维的。为此构造测度值马尔可夫决策过程新模型，并给出它的近似最优策略算法。该模型还是部分可观察马尔可夫决策过程的推广。