过程综合是过程设计开发过程中的关键技术，近二十年来，它一直是化学工程师研究的热门领域。过程综合的特点(组合爆炸问题)限制了基于数学模型的算法解在实际中的广泛应用。 分离过程综合问题是过程综合中的典型问题。由于分离是化工生产流程中两个关键过程之一，所以分离过程的设计是否合理直接关系着整个化工生产过程的效益。然而设计部门一直沿用传统经验方法进行分离过程综合(包括分离方法选择，质量分离剂的选择，分离装置选型，分离点序列合成、调优改进等)，而无法借助计算机进行求解。 本文探讨利用人工智能技术解决分离过程综合问题的方法，进而使这一化学工程领域中的传统难题得到解决，为化工设计全面实现计算机化打下基础。 本文首先对分离过程综合问题进行了分解，并根据问题的性质抽象出两类问题：选择型问题和系统合成型问题。对与选择型问题有关的知识提出两种知识结构模型：层次模型和对象—特性关系模型，从而缩小了选择对象空间，简化了问题求解过程，提高了问题求解效率。知识模型的引入可避免产生式规则获取时规则前提事实表达上的冗余、重复和矛盾，为知识获取提供了便利的手段。针对知识结构模型提出的选择规则存放法则，可进一步提高系统求解效率。系统自答概念的引入，可降低系统对用户的要求。自答系统中，用模糊模型描述规则中的模糊术语，进而在系统自答时计算结论的可信度。 本文在分析、整理前人提出的有关分离点排序的探试法则基础上，归纳出知识间的结构关系，并建立了各规则的模糊模型。引入比较基准点，使得到的模糊模型间具有一定的内在联系，提高了规则可比性，从而较好地消除了规则间的并列冲突。本文提出的分离点排序的双向排序策略，很好地解决了规则间的矛盾冲突问题。 本文总结、归纳了前人提出的有关分离过程调优的经验规则，提出用这些