在人工智能(Artificial Intelligence, AI)领域,基于案例推理(Case-Based Reasoning, CBR)凭借易于获取知识和推理具有模糊性的优势弥补了传统专家系统无法有效处理海量信息等诸多不足,并且在问题解决与决策支持领域已产生多项实际应用。不过,由于案例描述模型各异,知识跨系统存储,目前CBR面临的挑战是知识无法有效共享和集成,造成信息孤岛现象。另外,案例表达不具有扩展性、推理方法单一无法重用,也导致CBR系统优化和进化面临困难,推理结果无法完全满足用户需求。基于上述问题,本文首先对CBR领域的学术成果和应用现状进行研究分析,发现与其他技术相比,能够规范、明确描述事物同时具备共享性的本体,可从本质层面解决CBR面临的困境,与CBR结合存在着必然性。接着通过对本体的研究分析,本文又发现在本体分类中的领域本体除了具备本体在知识表示方面的常规优势以外,由于其富含详细而具体的领域知识能够更具针对性的优化推理性能,因此本文将着重基于领域本体对CBR的展开优化研究。基于CBR的过程模型,本文对领域本体和CBR结合的原理和方法进行详细论述。一方面,CBR可以利用领域本体的知识模型改进案例知识表示方法,解决案例表示缺乏规范化、扩展化等问题；另一方面,通过提取领域本体中的领域知识可以完善和优化CBR的相似度计算,并且有助于对案例修正和保存进行满足性检测。本文在CBR过程模型基础上集成上述设想,构建了基于领域本体的系统架构,为实际应用提供参考。为了验证上述理论的有效性和可行性,本文借助protege和myCBR工具完成菜谱推荐系统的快速原型开发。主要工作包括：基于中华烹饪知识本体的菜谱本体构建、基于菜谱本体的菜谱表示和菜谱推荐系统案例匹配相似度算法设计等等。通过与其他菜谱检索系统的比较,验证了基于领域本体优化后的CBR系统在菜谱推荐方面的有效性。