主流的人工智能的知识表示方法据我总结有一下几种：
状态空间法
状态空间法的主要数学基础是线性代数。在状态空间法中，广泛用向量来表示系统的各种变量组，其中包括状态向量、输入向量和输出向量。变量的个数规定为相应向量的维数。用x表示系统的状态向量,用u和y分别表示系统的输入向量和输出向量，则系统的状态方程和量测方程可表示为如下的一般形式：
x'=f(x，u，t)， y=g(x，u，t)
式中,f(x，u，t)和g(x，u，t)为自变量x、u、t的非线性向量函数,t为时间变量。对于线性定常系统状态方程和量测方程具有较为简单的形式：
x'=Ax+Bu， y=Cx+Du
式中A为系统矩阵，B为输入矩阵，C为输出矩阵,D为直接传递矩阵，它们是由系统的结构和参数所定出的常数矩阵。在状态空间法中，控制系统的分析问题常归结为求解系统的状态方程和研究状态方程解的性质。这种分析是在状态空间中进行的。所谓状态空间就是以状态变量为坐标轴所构成的一个多维空间。状态向量随时间的变化在状态空间中形成一条轨迹。对于线性定常系统，状态轨迹主要由系统的特征值决定。系统的特征值规定为系统矩阵A的特征方程det(sI-A)=0的根，其特征可由它在s复数平面上的分布来表征。当运用状态空间法来综合控制系统时，问题就变为选择一个合适的输入向量，使得状态轨迹满足指定的性能要求。
问题归约法
问题归约法从目标(要解决的问题)出发，逆向推理，通过一系列变换把初始问题变换为子问题集合和子子问题集合，直至最后归约为一个平凡的本原问题集合。这些本原问题的解可以直接得到从而解决了初始问题，用与或图来有效地说明问题归约法的求解途径。问题归约法能够比状态空间法更有效地表示问题。状态空间法是问题归约法的一种特例。在问题归约法的与或图中，包含有与节点和或节点，而在状态空间法中只含有或节点。
谓词逻辑法
谓词逻辑法采用谓词合适公式和一阶谓词演算把要解决的问题变为一个有待证明的问题，然后采用消解定理和消解反演来证明一个新语句是从已知的正确语句导出的，从而证明这个新语句也是正确的。谓词逻辑是一种形式语言，能够把数学中的逻辑论证符号化。谓词逻辑法常与其它表示方法混合使用，灵活方便，可以表示比较复杂的问题。
语义网络法
语义网络是一种出现比较早的知识表达形式，在人工智能中得到了比较广泛的应用。语义网络最早是1968年奎廉(Quillian)在他的博士论文中作为人类联想记忆的一个显式心理学模型提出的。1972年，西蒙正式提出语义网络的概念，讨论了它和一阶谓词的关系，并将语义网络应用到了自然语言理解的研究中。
语义网络是一种采用网络形式表示人类知识的方法。
一个语义网络是一个带标示的有向图。其中，带有标识的结点表示问题领域中的物体、概念、时间、动作或者态势。在语义网络知识表示中，结点一般划分为实例节点和类节点两种类型。结点之间带有标识的有向弧标识结点之间的语义联系，是语义网络组织知识的关键。
但实际上人工智能的表示方法却不能使用单的表示方法，状态空间虽然精确，直观，但是存在组合状态爆炸的问题，问题规约必须明确目的后才能进行规约，谓词逻辑又过于死板，语义网络虽然适合推理，但是不能精确量化。因此必须充分结合所有的的各种表示方法，将知识表示完整的，精确的，易推理且可表达的表示出来。
各位可有高见？