模型计数问题是指求解出给定命题公式的模型数,是自动推理领域的重要难题。模型计数在人工智能领域取得了广泛应用,许多现实问题都可以规约为模型计数问题进行求解。目前常用的完备的模型计数求解器具有高效的求解能力,但其求解效率对模型数不敏感。有理由猜测:当给定问题的模型较少时,不完备算法可能发挥其效率优势而更适合模型计数。本文旨在利用不完备方法的求解优势,设计出新的求解能力更强的模型计数求解方法。其中求解能力以正确求出给定合取范式模型的求解时间长短来衡量。局部搜索是求解SAT问题的高效的不完备方法,Cai等人提出了格局检测策略,并将其应用到局部搜索方法中提出了SWcc算法。格局检测策略定义了邻居变量,很好地解决了变量翻转过程中容易遇到的局部最优问题,具有很高的求解效率。本文对SWcc算法进行扩充分别得到了迭代法与增量法两种效率较高的不完备模型计数方法,给出了两种方法的思路和具体实现。SWcc算法每完成一次局部搜索的迭代计算过程,便可以得到一个可满足的全值指派。迭代法采用添加子句的方法,将刚刚得到的可满足指派的否定形式添加到原合取范式,解决了解的重复性问题,使得算法在每次迭代过程中都可以得到一个不同的可满足指派,并记录下可满足指派数目。增量法同样采用添加子句的方法,与迭代法不同的是,增量法在每次迭代结束后会计算相关变量的邻居信息,下一次翻转操作仍在当前指派上进行,从而减少了许多变量的初始化计算过程。为了进一步提升不完备算法的求解能力,本文提出了两种启发式策略,并将他们分别应用于迭代法与增量法。在迭代法的基础上添加了加速求解策略,给出了该策略的详细描述,理论上该算法适用于求解模型数目较多的合取范式,并且当求解可满足指派中有部分文字正负形式相同的合取范式时,求解效率会进一步提升。在增量法的基础上添加了解的优化策略,尽可能减少添加子句的变量数目,从而发挥了格局检测的优越性。最后,给出了大量测试样例的实验结果,实验结果表明,当给定合取范式的模型较少时,本文提出的迭代法与增量法的求解效率有所提升。本文提出的两种启发式策略在求解部分特定实例时,也会得到较好的求解效果。