發展歷程
知識獲取是構築知識型系統的一個重大課題，但研究得尚不充分。20世紀60年代以前，大部分人工智慧程式所需知識是由專業程式設計師手工編入程式的。當時較少直接面向套用系統，知識獲取問題還未受充分重視。隨著專家系統和其他知識型系統的興起，人們認識到必須對落後的知識獲取方式進行改革，讓用戶在知識工程師或智慧型程式（知識獲取程式）幫助下，在系統的運行過程中直接逐步建立所需的知識庫。
基本任務
包括知識抽取知識建模、知識轉換、知識輸入、知識檢測以及知識庫的重組這幾個方而：
（1）知識抽取：把蘊含於信息源中的知識經過識別、理解、篩選、歸納等過程抽取出來，並存儲於知識庫中。
（2）知識建模：構建知識模型，主要包括三個階段:知識識別、知識規範說明和知識精化。
（3）知識轉換：把知識由一種表示形式變換為另一種表示形式。
（4）知識存儲：把用適當模式表示的知識經編輯、編譯送入知識庫。
（5）知識檢測：為保證知識庫的正確性，需要做好對知識的檢測。
（6）知識庫的重組：對知識庫中的知識重新進行組織，以提高.系統的
運行效率。
獲取途徑
人工移植
依靠人工智慧系統的設計師、知識工程師、程式編制人員、專家或用戶，通過系統一設計、程式編制及人機互動或輔助工具，將人的知識移植到機器的知識庫中，使機器獲取知識。
人工移植的方式可分為二種：
（1）靜態移植
在系統設計過程中，通過知識表示、程式編制、建立知識庫，進行知識存儲、編排和管理，使系統獲取所需的先驗知識或靜態知識。故稱“靜態移植”或“設計移植”。
（2）動態移植
在系統運行過程中，通過常規的人機互動方法，如“鍵盤一顯示器”的輸入/輸出互動方式，或輔助知識獲取工具，如知識編輯器，利用知識同化和知識順應技術，對機器的知識庫進行人工增刪、修改、補充和更新，使系統獲取所需的動態知識，故稱“動態移植”或“運行移植”。
機器學習
人工智慧系統在運行過程中，通過學習，獲取知識，進行知識積累，對知識庫進行增刪、修改、擴充與更新。
機器學習的方式可分為二種:
（1）示教式學習
在機器學習過程中，由人作為示教者或監督者，給出評價準則或判斷標準，對一系統的工作效果進行檢驗，選擇或控制“訓練集”，對學習過程進行指導和監督。這種學習方式通常是離線的、非實時的學習，也可以線上、實時學習。
（2）自學式學習
在機器學習過程中，不需要人作為示教者或監督者，而由系統本身的監督器實現監督功能，對學習過程進行.監督，提供評價準則和判斷標準，通過反饋進行工作效果檢驗，控制選例和訓練。這種學習方式通常是線上、實時的學習。
機器感知
人工智慧系統在調試或運行過程中，通過機器視覺、機器聽覺、機器觸覺等途徑，直接感知外部世界，輸入自然信息，獲取感性和理性知識。
機器感知主要有二種方式：
（1）機器視覺
在系統調試或運行過程中，通過文字識別、圖象識別和物景分析等機器視覺，直接從外部世界輸入相應的文字、圖象和物景的自然信息，獲取感性知識，經過識別、分析和理解，獲取有關的理性知識。
（2）機器聽覺
在系統調試或運行過程中，通過聲音識別、語言識別和語言理解等機器聽覺，直接從外部世界輸入相應的聲音、語言等自然信息，獲取感性知識，經過識別、分析和理解，獲取有關的理性知識。
