模糊认知图是一种由概念节点和连接概念节点的加权有向弧组成的有向图模型,它结合了模糊逻辑和神经网络的思想,具有强大的知识表示和推理能力,主要用于复杂动态系统的建模和分析。如何利用历史数据自动学习模糊认知图的权值是当前模糊认知图研究的重点。目前,基于历史数据的模糊认知图的权值学习通常分为三类:基于Hebbian的学习方法、基于种群的学习方法和混杂型学习方法。这些学习方法已经被应用到许多领域,表现出了良好的性能。然而,这些模糊认知图权值学习方法也存在两个明显的不足:（1）基于种群的学习方法很难处理具有成百上千个节点的大规模模糊认知图权值的学习问题,而且其学习过程极端费时、计算量大;（2）这些方法也没有考虑到数据中的噪声对模糊认知图权值学习的影响。针对现有学习方法的不足之处,本文提出了一种模糊认知图权值的快速学习方法,它首先将模糊认知图的权值学习问题转化为一个带约束的最小二乘问题,然后通过求解该最小二乘问题,得到模糊认知图的最优权值矩阵。通过在人工合成数据集、含噪声的人工合成数据集和公开数据集上的一系列数值实验,表明了本文提出的方法能快速有效地学习不同尺度的模糊认知图,并且能够处理含有噪声的数据的模糊认知图权值学习问题。更进一步,本文根据模糊认知图的结构特点和推理规则,提出了两种基于模糊认知图的分类器。首先,将分类数据集中的属性和类别分别映射为模糊认知图中的属性节点和类节点。然后,通过本文提出的快速学习方法学习提出的这两种模糊认知图分类器。最后,利用模糊认知图的推理能力实现样本类别的预测。在人工合成数据集和5个公开数据集上的实验结果表明本文提出的这两种模糊认知图分类器都具有良好的分类效果。