| 第一章 绪论 | 第1-21页 |
| 1．1 形成本文的学术背景 | 第9-11页 |
| 1．2 国内外研究概况分析 | 第11-17页 |
| 1．2．1 关于逻辑系统的研究概况 | 第11-12页 |
| 1．2．2 关于自动推理理论与方法的研究概况 | 第12-14页 |
| 1．2．3 关于人工智能发展趋势的研究 | 第14-17页 |
| 1．3 本文的学术思想与主要内容 | 第17-21页 |
| 1．3．1 本文的学术思想 | 第17-19页 |
| 1．3．2 本文的主要内容 | 第19-21页 |
| 第二章 一种带评价值的命题逻辑系统 | 第21-43页 |
| 2．1 评价值命题代数 | 第21-23页 |
| 2．2 评价值命题逻辑系统的模型论性质 | 第23-25页 |
| 2．3 评价值命题逻辑中的证明 | 第25-28页 |
| 2．4 多层感知器模型及模糊神经网络 | 第28-32页 |
| 2．5 一类扩展神经元及其逻辑功能 | 第32-38页 |
| 2．6 一类神经网络确定的子句集 | 第38-43页 |
| 第三章 快速推理 | 第43-55页 |
| 3．1 基于Horn子句的快速推理 | 第43-45页 |
| 3．2 知识编译的模型论性质 | 第45-47页 |
| 3．3 子句集∑的极大Horn下界 | 第47-51页 |
| 3．4 基于模型的推理 | 第51-55页 |
| 第四章 命题逻辑系统的数字化 | 第55-74页 |
| 4．1 命题逻辑系统简介 | 第55-57页 |
| 4．2 命题逻辑系统的数字化 | 第57-62页 |
| 4．3 命题逻辑系统中一般公式的数字化 | 第62-66页 |
| 4．4 数字化逻辑系统（?）中的性质 | 第66-69页 |
| 4．5 数字化公式的标准形式 | 第69-74页 |
| 第五章 基于归结原理的（?）中的自动推理 | 第74-88页 |
| 5．1 （?）中的归结原理 | 第74-77页 |
| 5．2 （?）中的语义归结 | 第77-82页 |
| 5．3 基于矩阵运算的（?）中的归结 | 第82-88页 |
| 第六章 基于神经网络的Horn子句集上的自动推理 | 第88-99页 |
| 6．1 基于Horn子句集的模糊—神经网络结构 | 第88-90页 |
| 6．2 基于Horn子句集的模糊—神经网络的计算 | 第90-92页 |
| 6．3 基于模糊—神经网络归结的可靠性与完备性 | 第92-94页 |
| 6．4 模糊—神经网络的分层学习算法 | 第94-97页 |
| 6．5 使用分层学习算法的归结原理的可靠性与完备性 | 第97-99页 |
| 结论与展望 | 第99-101页 |
| 致谢 | 第101-102页 |
| 参考文献 | 第102-111页 |
| 攻读博士期间发表的论文及科研成果 | 第111页 |