在流式大数据的背景下,对用户感兴趣的事件进行处理显得尤为重要。复杂事件处理系统(Complex Event Processing,CEP)不仅能够挖掘出用户感兴趣的事件,而且能对挖掘出的事件做出及时响应。系统通过分析事件之间的联系,利用事件的因果、聚合关系,最终实现从简单事件到高级事件的转换。复杂事件处理系统中对规则的定义是很重要的,系统通过规则库来匹配复杂事件,从而实现简单事件到高级事件的转换。目前国内外比较完善的规则学习系统通常是建立在已有的复杂事件处理系统之上,通过规则引擎来匹配复杂事件。现有的复杂事件规则学习系统通过将规则分成几个模块,分别对每个模块进行学习,然其不能处理具有丰富语义性的事件,且不能利用背景知识,无法对不确定性进行处理。具有基于逻辑的事件结构表示系统由于其具有声明性语义而得到极大的关注,且逻辑规则可以很好地与背景知识相结合,并支持事件推理。在此情形下,本文提出了一种基于逻辑的复杂事件规则学习方法,利用逻辑编程的方法,从简单事件中自动构建复杂事件规则。本文主要工作如下:1)本文研究基于逻辑的复杂事件规则学习方法。首先分析了现有基于逻辑的复杂事件规则学习方法的不足,并结合数据流处理的背景提出一种基于逻辑的复杂事件规则在线学习方法。本文的方法以归纳逻辑编程为基础,借鉴VFDT决策树模型,利用Hoeffding界限对数据流进行一次遍历,从简单事件中学习复杂事件规则。设计实验在真实数据流上进行在线评估,并与其他方法进行比较,证明该方法的有效性。2)以在线学习框架为基础,将概率统计方法与在线框架相结合,借鉴马尔可夫逻辑网的结构学习策略提出一种基于权重优化的复杂事件规则在线学习方法。在学习规则的结构之后通过RMSProp权重优化算法来更新规则,并通过Hoeffding界限对规则进行了评估,进一步提高了精度。经过实验证明该方法较在线学习器具有更好的性能。