本研究解决了复杂特征模型与自动推理工具输入形式之间的差距，提出了一种伪布尔编码方法，能够更紧凑地表示特征模型，从而提高推理的效率。此外，研究还创新性地将伪布尔公式编译为布尔 d-DNNF，显著提高了特征模型的转换速度，尤其是在使用表现性约束时。该方法在处理基本构造的特征模型时同样具有竞争力。

本文探讨了多种电路发现和优化技术，包括基于 DNNF 的算法、真值表网络结构、丛图宽度对布尔函数表示的影响，以及电路探测技术在模型分析中的应用。这些研究展示了在计算效率和可解释性方面的进展，特别是在因果推理和神经网络模型优化中。

本文综述知识编译中SDD、DNNF、OBDD等表示语言的研究，证明SDD比OBDD更简洁并解决开放问题；提出CNF转DNNF算法及OBDD转DNNF线性算法；给出SDD指数下界；研究神经网络决策函数编译与鲁棒性验证；提出CCDD新语言及SDD修订算法。