模糊认知图简单、直观的图形化表示和快捷的数值推理能力使其在医学、工业过程控制以及环境监测等领域得到了广泛的应用。模糊认知图是模糊逻辑和神经网络相结合的产物,适用于基于动态数据的非线性系统的描述、预测与控制。由于受到人的经验、知识水平和认知能力的限制,很难由领域专家直接构建大规模系统的模糊认知图。近年来依据动态数据自动或半自动构建模糊认知图的研究越来越受到关注。本文在对模糊认知图结构的构建、权值学习、稳定性分析和实际应用等方面进行综述、比较和分析的基础上,研究了基于动态数据的模糊认知图的构建、权值学习和控制,取得如下主要研究成果：(1)在分析了常用模糊认知图转换函数的不足之处之后,对模糊认知图转换函数进行改进,引入了协调系数,该系数无需事先指定,可由系统数据自动学习得到,改进后的转换函数使模糊认知图对现实系统的描述更加准确。(2)针对模糊认知图基于数据的权值学习的Hebbian技术、遗传算法、群体智能三大类存在的反复迭代运算、负荷过重问题,将最小平方技术与模糊认知图权值的学习相结合,提出了方便、简洁、准确、快速的基于最小平方的模糊认知图权值学习算法。该方法只需求解线性方程即可得到模糊认知图的权值,不需要进行迭代计算,大大提高了算法的运行效率。不需要专家事先指定任何系数或初始值,是一种无监督的自动学习算法。(3)针对大型非线性系统,提出了状态空间的拆分融合法,该方法针对状态区域范围过大的系统,将系统的整个状态区间进行拆分,形成多个局部区域,并分别建立各局部区域上的子模糊认知图,利用T-S模型形成由系统状态决定的具有时变关联矩阵的模糊认知图模型,从而解决了无法用一个模糊认知图描述大型系统的难题。(4)将模糊认知图与Hebbian技术相结合,提出了分步、自定义精度的动态系统自动控制算法,该方法将系统的控制目标拆分成多步来完成,控制系统逐步接近目标,直至最终满足控制精度要求。最后本文所提出的模糊认知图建模和控制理论和方法在复杂非线性的倒车系统中进行验证,实验结果表明该方法具有实用、准确、高效的特点。