约束求解是人工智能领域最热门的关键词之一，它是约束程序（ConstraintProgramming，CP）的核心问题。约束求解方法的发展为业界提供了许多机遇和挑战。当前，约束求解方法已经发展到一个新阶段，自适应约束求解方法正逐渐成为研究热点并引领着约束求解的发展方向。分支方式的选择、变量选择、值选择以及约束传播这些与约束求解密切相关的环节严重影响着约束求解的效率。实现上述环节上的自适应是研究自适应约束求解方法的新途径。本文在概述约束满足问题的基本概念及约束求解过程之后，详述了在约束求解的各环节应用自适应理念的方法，这些环节包括分支方式的选择、变量选择、值选择以及约束传播，重点介绍了自适应对求解效率的提高程度。文章主要围绕着实现自适应约束求解的各种技术和方法展开研究，研究内容具体包括：（1）比较分析了典型分支策略，突出强调自适应分支策略的优势，从辅助顾问和值排序两个角度改进自适应分支策略，提出AdaptBranchLVO自适应分支求解算法，进而推出自适应分支选择约束求解方法；（2）通过对典型变量排序启发式的分析比较，实现自适应变量选择约束求解方法；（3）借助自适应值排序启发式，将自适应值选择与自适应分支结合，设计算法AdaptBranch^surv，进一步研究自适应值选择约束求解方法；（4）设计并实现自适应约束传播约束求解方法，包括基于比特位操作的自适应约束传播和基于AC与LmaxRPC的自适应约束传播这些两种约束传播方法之间的自适应，以及多种约束传播方法之间学习型自适应，提出算法AC_MaxRPC_Bitwise和ADAPT^AC-LmaxRPC。文中研究的自适应约束求解方法在不同程度上提升了求解效率，作用显著。此类方法的研究有助于从各个环节和层面提升自适应约束求解能力，实现约束求解的智能化。