引入领域知识以辅助机器学习已逐渐成为人工智能领域重要的研究方向之一,反绎学习是一种将机器学习与逻辑推理互促结合的新型机器学习框架,直接利用由一阶逻辑表示的领域知识帮助学习训练。在实际应用中往往难以获取一阶逻辑形式表示的领域知识,本文针对仅包括具体事实或领域知识不充分等弱领域知识的情况开展反绎学习的研究,主要取得了如下创新成果:研制了基于启发式规则扩张领域知识库的反绎学习方法GABL,该方法依靠增广的启发式规则、根据模型预测结果对知识库进行检索,并在检索过程中考虑模型给出的置信度信息,从而实现反绎推理。分析了反绎学习的性质,并发现反绎学习训练效果与初始模型之间的关系。实验表明GABL方法能利用由具体事实表示的弱领域知识和无标记数据提升模型性能。研制了利用原始特征辅助过滤具体事实的反绎学习方法RAABL,该方法利用专家给出的人工规则,构建了基于原始特征过滤器,动态地删除反绎推理时不必要的候选。所提方法应用于刑期预测任务,有效降低了构建具有可解释性的模型所需要的标记数据规模。实验表明RAABL方法可以借助人工规则提升反绎学习训练模型的效果。