专家推理系统的泛化能力是指系统识别训练集合以外样本的能力,被认为是衡量专家推理系统最重要的指标。而泛化能力的好坏关键取决于专家推理系统内的专家知识库,知识库中的知识通常表现为模糊产生式规则,它的生成和优化是提高专家推理系统性能的关键。如何提高这种专家推理系统的泛化能力是人工智能领域的一个难题。现存的算法大都通过减少训练错误率的方法来对模糊产生式规则进行精炼,这些方法可以提高训练准确率,但常常会出现过分拟和问题,从而严重降低专家推理系统的泛化能力。为了提高模糊产生式规则的知识表示能力,人们在模糊产生式规则中引入了局部权、整体权、置信度等参数。视加权模糊规则中的权重、置信度等为可调的知识表示参数,本文首先研究这些知识表示参数与加权模糊规则的泛化能力之间的关系,然后提出了一种基于最大熵原理的知识表示参数的精炼方法。在选定数据集上的仿真实验数据表明,本文提出的方法可以明显提高基于模糊产生式规则的专家推理系统的推理与泛化能力。