本体由于其可以明确表示概念及概念间关系的特性,成为了表达语义知识的重要工具,是语义网的核心技术。然而,自然语言中获取到的多数概念往往具有模糊性,传统的本体却不足以表示此类信息,因此模糊本体被用来表示模糊概念及进行模糊推理。由于模糊本体对于知识的表述十分接近人类认知概念的形式,在认知计算中,模糊本体得到广泛的应用。认知计算源自模拟人脑的计算机系统的人工智能,其目的是使计算机可以模拟人类认知世界的过程自主的学习知识。随着模糊本体在认知计算中的逐步发展,对于自动构建的模糊本体的扩展性和准确性的要求也随之提升,模糊本体应当可以自动的对自身进行扩展和更新,使已有的模糊本体更加精炼和准确。模糊本体学习可以使模糊本体完成自身知识从无到有,对已有知识自主学习优化的过程,而基于认知模型的模糊本体学习以认知计算为基础,包含多个用于驱动模型的认知策略,利用这些认知策略使模糊本体可以模拟人类对知识的学习和优化能力,使计算机可以更加平滑的与人类交互。本文提出了一种基于认知模型的模糊本体扩展与归纳方法,重点研究模糊本体学习认知模型中的扩展和归纳两个策略,模拟人类认知世界的归纳学习过程,可用于模糊本体的自动构建以及对新知识的扩展与已有知识的结构优化。论文结合认知计算定义了模糊本体学习的认知模型,以知网的结构化知识库Hownet作为学习起点,本文给出了模糊概念及模糊关系的表示方法和模糊隶属度的计算方式。在模糊本体学习的认知模型上提出了相应的扩展和归纳认知策略,首先使用模糊C聚类算法对新知识进行聚类预处理,然后利用提出的扩展策略的公理和算子可以实现新知识的添加;已有模糊本体中各个层次的知识利用提出的模糊本体归纳策略的原则和算子实现知识的精炼,使得模糊本体泛化能力更强,冗余有效减少,进一步提升了模糊本体的自学习能力。最后选取模糊本体中的一部分给出模糊本体扩展与归纳过程及结果的展示,并对模糊本体与传统本体的扩展和归纳操作进行了对比。实验证明,基于认知模型的模糊本体的扩展和归纳在准确性和效率上都大大优于传统本体,在模糊本体知识的自我优化上表现良好。