语义网络作为一种模拟人类的语言的知识表示方法，在开发智能系统和机器学习领域中具有重要的地位和作用。现代智能决策系统除了完成表示储存知识的功能以外，还需要解决知识获取和知识精简的问题。论文主要研究如何在语义网络系统中引入知识获取和知识精简，使之能够更好的应用到开发智能决策分析系统中去。在许多基于语义网络的实际项目中，往往不仅仅需要系统能够表示知识，还要解决如何获取知识和简约知识的问题，这些问题是系统是否具有智能的基石，同时也是机器学习进化的重要途径。只有能够获取知识和简约知识的系统，才能被算作是高级的智能系统。但是在现在的研究中，大部分工作都集中讨论如何解决用语义网络表示某种具体问题，对语义网络中知识的获取和约简缺乏关注，思考不深。而事实上知识的获取和约简与知识的表示并不是分裂的，这一点已经被许多可查的文献结合相应应用提出。因此，论文提出了自适应语义网络系统这一概念，希望能够用一种通用的框架来集成语义网络的知识表示，知识获取和知识约简，从而更好地提升其在实际中的应用。鉴于语义网络是一种非常灵活的知识表示方法，目前的研究主要集中在概念模型上，实际操作性不强，为此，论文根据人认知事物的规律和学习知识的过程，通过对图形语义网络模型，语义网络简化集等现有的语义网络学习简约模型的分析，提出了应用领域更加广泛的自适应语义网络形式化模型，把语义网络中的知识划分为从简单到复杂，从隐式到显式，从低级到高级的不同层次。不仅强调了知识的流动发展层次，而且在不失去一般性的情况下，使以后对语义网络的学习简约机制的研究更加有重点，有方向。为了解决自适应语义网络系统中知识学习的问题，论文引入了支持矢量机来构建语义网络中不同层次之间知识的递进关系，从而建立起自适应语义网络模型的自动获取知识的机制。并且根据语义网络的具体特点，对经典的支持矢量机方法做出了一些改进，具体包括：1)构造了语义空间的特征函数概念和这种概念下的核函数，并用动态规划方法计算这种核函数的算法；2)在支持矢量机中加入软间隔优化的方法来消除由于样本的歧异性所造成的训练误差。3)探讨了语义网络系统学习过程中的多值处理问题，比较了二值矢量机的组合方法和支持矢量机的回归模型。4)把Bayes分析的方法运用到支持矢量机核函数的更新之中，通过具体样本来及时地更新现有的核函数。知识约简方面，本论文应用粗糙集方法来解决这一问题，通过一系列决策表生成，决策表约简，系统还原的操作完成对系统中知识的约简。这里主要工作有：1)探讨了把自适应语义网络系统中知识转化为决策表的方法，以及如何消除数据不完备问题。2)把迭代加深A~*算法应用到决策表的约简问题之中，并把一些经典算法中的指标，如熵值，属性频率函数用来构建IDA~*算法的启发式搜索函数。取得了良好的效果。论文最后以两个具体的实例：自适应舌象语义分析系统和企业语义描述系统来说明论文理论方法的可行性和应用性。通过大量试验，说明了在实际应用中，如何划分语义网络的层次，选取各层次的概念，建立各层次之间的映射关系，以及设置一些算法中的具体参数。总的来说，论文作了大量的理论和实验研究，并且参与开发了自适应舌象语义分析系统和企业数据描述，发现、集成中心(Data Description，Discovery，Integration Center，DDDIC)，从而使得语义网络应用中知识获取简约及相关研究变得方便易用，其研究内容符合智能系统研究的发展趋势，既具有十分重要的科学意义，同时又有其实际价值，并有潜在的广泛的应用前景。