第一章 绪论
  1.1 人工智能研究的发展
  1.2 人工智能应用研究的发展趋势
  1.3 基于知识的软件智能化技术
   1.3.1 知识处理技术的深化
   1.3.2 对KB系统现状的反思
   1.3.3 软件智能化实践
   1.3.4 开发人工智能高级技术
  本章小结
  习题
  参考文献
 第二章 基于知识的问题求解
  2.1 知识表示
  2.2 问题求解
   2.2.1 问题求解的基本方法
   2.2.2 问题求解的组织
  2.3 KB系统
   2.3.1 KB系统的一般概念
   2.3.2 知识获取和KB系统开发
   2.3.3 KB系统开发工具和环境
  2.4 知识级分析
   2.4.1 表示和知识
   2.4.2 计算机系统的功能分级
   2.4.3 知识级
   2.4.4 知识级细节
   2.4.5 结论
  2.5 符号推理的高级技术
   2.5.1 基于假设的推理
   2.5.2 从属和辩证
   2.5.3 约束满足
   2.5.4 元推理
  本章小结
  习题
  参考文献
 第三章 KB系统的高级技术
  3.1 开发的必要性
  3.2 定性物理方法
   3.2.1 定性演算
   3.2.2 用定性演算推理行为
   3.2.3 典型的定性物理方法
  3.3 基于模型的推理（MBR）
   3.3.1 因果建模
   3.3.2 不精确模型
  3.4 深、浅层推理的综合
   3.4.1 一个实例———动态系统的适应性多级诊断建模
   3.4.2 综合深、浅层推理的技术
  3.5 问题求解的结构化模型
   3.5.1 问题求解建模
   3.5.2 知识获取工具的开发工具
  3.6 功能化体系结构
   3.6.1 常见任务
   3.6.2 诊断推理中的常见任务举例
   3.6.3 常见任务工具集
   3.6.4 功能化体系结构方式的评价
  3.7 知识级问题求解建模
   3.7.1 知识获取观点
   3.7.2 中间模型
   3.7.3 专门知识建模
   3.7.4 可重用的专门知识元素
   3.7.5 知识变异
   3.7.6 结构保留设计
   3.7.7 知识获取过程
   3.7.8 结论
  本章小结
  习题
  参考文献
 第四章 非单调推理和软计算
  4.1 传统逻辑系统的局限性
  4.2 非单调推理
   4.2.1 非单调推理简介
   4.2.2 非单调推理的形式化方法
   4.2.3 真值维持系统
   4.2.4 约束满足问题
  4.3 不确定推理
   4.3.1 主观Bayes方法
   4.3.2 确定性方法
   4.3.3 D-S证据理论
   4.3.4 应用不确定推理的准则
  4.4 模糊逻辑和模糊推理
   4.4.1 模糊逻辑
   4.4.2 模糊推理
   4.4.3 模糊控制
   4.4.4 应用模糊逻辑时的问题
  4.5 神经网络
   4.5.1 神经元和神经网络
   4.5.2 面向映射变换的BP网
   4.5.3 面向联想记忆的神经网络
   4.5.4 神经网络的实现技术
  本章小结
  习题
  参考文献
 第五章 基于范例的推理
  5.1 基于范例的推理系统
   5.1.1 研究动机
   5.1.2 CBR系统分类
   5.1.3 应用例———基于范例的服务调度
  5.2 范例表示和索引
   5.2.1 范例的内容
   5.2.2 范例索引
  5.3 检索、改编和辩证
   5.3.1 范例检索和存储更新
   5.3.2 解答改编
   5.3.3 解答辩证
  5.4 基于范例的学习
   5.4.1 学习方式
   5.4.2 学习方法的比较
  5.5 基于范例的推理应用
   5.5.1 某些CBR应用系统
   5.5.2 集成CBR和其他信息处理技术
  5.6 结论
  本章小结
  习题
  参考文献
 第六章 关于时间和空间的推理
  6.1 伴有时间的推理
   6.1.1 时间和逻辑
   6.1.2 时间概念及其表示
   6.1.3 实现伴有时间的推理
   6.1.4 基于时态逻辑的RWT理论框架
  6.2 时间的不确定性和分支
   6.2.1 关于事件时间的不完全知识
   6.2.2 时间分支
  6.3 关于空间的推理
   6.3.1 空间概念及其表示
   6.3.2 空间搜索
   6.3.3 多层次空间表示
  6.4 关于形状的推理
  6.5 时空推理小结
  本章小结
  习题
  参考文献
 第七章 机器学习研究与应用的新进展
  7.1 贝叶斯网络
   7.1.1 贝叶斯网络的定义
   7.1.2 贝叶斯网络的语义
   7.1.3 贝叶斯网络中的推理
   7.1.4 贝叶斯网络的学习
  7.2 隐马尔可夫模型
   7.2.1 马尔可夫链
   7.2.2 隐马尔可夫模型的定义
   7.2.3 隐马尔可夫模型的基本算法
   7.2.4 学习算法EM
  7.3 统计学习理论
   7.3.1 小样本统计学理论
   7.3.2 支持向量机
   7.3.3 支持向量机的应用研究
  7.4 粗糙集理论
   7.4.1 粗糙集理论的基本概念
   7.4.2 决策表约简
   7.4.3 决策规则的挖掘
  7.5 聚类分析
   7.5.1 聚类分析的预处理
   7.5.2 聚类方法的分类
   7.5.3 基于划分的k-平均和k-中心点算法
  7.6 复杂类型数据的挖掘
   7.6.1 空间数据挖掘
   7.6.2 图像数据挖掘
   7.6.3 时序数据挖掘
   7.6.4 文本数据挖掘
   7.6.5 Web挖掘
  本章小结
  习题
  参考文献
 第八章 Agent技术和信息基础设施智能化
  8.1 Agent技术的研究和发展
   8.1．l Agent技术的形成
   8.1.2 Agent的基本特征
   8.1.3 Agent技术的研究现状
   8.1.4 Agent分类概观
  8.2 多Agent协作
   8.2.1 合作型Agent体系结构ARCHON
   8.2.2 多Agent协作的建立
   8.2.3 合作的协调
   8.2.4 Agent社会
  8.3 Agent通信
   8.3.1 信息和知识共享
   8.3.2 Agent交互协议
   8.3.3 通信促进服务
  8.4 信息基础设施的智能化
   8.4.1 技术挑战
   8.4.2 智能系统的作用
   8.4.3 虚拟组织的信息基础设施
  本章小结
  习题
  参考文献
 第九章 新一代网络计算的技术基础及其智能化
  9.1 新一代网络计算技术概述
   9.1.1 语义Web
   9.1.2 网格计算
   9.1.3 自治计算
  9.2 语义Web的实现技术和本体工程
   9.2.1 语义Web的实现技术
   9.2.2 基于本体的知识系统
  9.3 网格计算的技术基础
   9.3.1 支持可伸缩虚拟组织的网格体系结构
   9.3.2 开放的网格服务体系结构
   9.3.3 网格计算的基础设施
   9.3.4 网格计算技术的新进展
  9.4 自治计算的技术基础
  9.4.1 自治计算的开发
  9.4.2 基于政策的自主管理
  9.4.3 支持Agent社交活动的方法体系
  本章小结
  习题
  参考文献