利用基于案例推理和人工神经网络等人工智能方法解决系统决策问题是智能决策支持系统领域重要的研究方向。本文提出研究CBR-ANN(Case-based Reasoning-Artificial Neural Network)智能决策支持方法,一方面从CBR与ANN集成理论的角度去发展人工智能方法,另一方面从智能决策支持系统(IDSS)的角度去探索解决工程决策问题特别是农业领域决策问题的新方法。本文首先分析IBL(Instance-based Learning)、CBR与ANN之间的联系,讨论了CBR与ANN的集成模型及其集成研究方向。基于ANN模型及CBR方法的设计特点,提出了涵盖“形态空间-表示模式”、“集成方法选型”以及“模型与算法”的CBR-ANN集成方法的设计框架,以指导CBR-ANN模型的设计工作。同时提出了一个IDSS设计框架,认为IDSS设计的四项主要任务为:“问题分析与表达”、“方法分析与设计”、“系统分析与规划”和“系统设计”。接着提出了一种CBR-ANN智能决策支持系统的一般结构,阐述了其各个组成部分的原理。分析了特征向量表示法、类别-案例表示法、动态存储表示法等案例表示法的特点,提出CBR-ANN过程模型为CR4模型,认为对于案例库构建,要分析和定义问题可能类型上的相似关系,探寻问题可能类型到方案可能类型的映射关系,分析相似类、进行案例库划分以及进行案例库优化。本文探讨了CBR-ANN智能决策模型中适用的知识表示方法,分析了属性相似性测度和常用的案例相似性测度,且设计了实验方法分析比较几种典型的案例相似性测度的性能。对于系统案例检索,本文为案例数量巨大的案例检索任务提出了一种基于优势案例的案例索引机制及其检索方法,以帮助检索程序快速定位目标案例的相似案例集,提高案例的检索效率。同时对两种适于案例分类、检索的竞争神经网络(Adaptive Resonance Theory和Self-organizing Maps)的原理进行了深入探讨。基于产生式表示法,本文提出了系统推理器的设计思路和推理过程框架。基于知识的高维案例的推理也可利用神经网络的并行计算能力来实现,本文重点讨论了贝叶斯推理。同时对基于案例推理的决策方法作了深入的理论探讨。然后,基于目标案例信息和用户历史请求信息提出了系统推荐方法,且认为案例保留的评价方法与推理的回想特性值相关,并据此提出了有效的系统案例保留与学习策略。最后,结合国家的方针政策以及作者的在研课题,本文提出将CBR-ANN决策支持模型与方法应用到农作物病害防治智能决策支持技术中,并以具体的黄瓜病害防治决策支持为切入点,探索CBR与ANN集成应用的新方法。基于CFW(黄瓜枯萎病)防治案例库的特点,本文分析了案例分类与案例检索效率的关系,确定了最优案例分类区间,利用交叉验证方法分析系统推理有效性,并基于推理有效性研究分析最优案例相异阈值范围。在应用CBR-ANN智能决策支持模型与方法时,采用ART-Kohonen神经网络(ART-KNN)模型进行集成研究,执行案例分类识别任务,并对其分类正确率以及案例方案中某些属性的预测进行了分析。通过进一步的实例测试与分析,验证了系统推理的有效性。本文较为系统地研究和建立了CBR-ANN智能决策支持模型与方法,且在作物病害防治的决策支持上进行了应用,这对于拓展CBR-ANN集成模型和智能决策支持方法的研究有较好的理论意义和应用价值。毫无疑问,CBR-ANN智能决策支持方法这个重要的研究领域将会不断得到丰富与发展,从而促进人工智能技术与决策支持方法对现实问题的解决。