模糊认知图作为一类知识表示、推理和软计算的模型,通过在认知图模型中引入模糊测度来量化节点间的因果关系,近几十年来已经成功应用于推理、决策和时间序列分析等众多领域。但模糊认知图在多变量时间序列预测方面还有待突破邻接矩阵量化所面临的数据净化、先验知识缺乏、局部极值和计算复杂度高的挑战。本文针对上述挑战,从模糊认知图与进化学习、最优化理论和时间序列分析多专业交叉融合的角度,开展基于文化基因粒子群算法模糊认知图的研究,并应用于大气环境监测时间序列数据的预测领域,主要研究内容概括如下:（1）针对目前基于进化学习算法模糊认知图所面临的先验知识缺乏、局部极值和计算复杂度高的挑战,本文提出了基于文化基因粒子群学习算法的模糊认知图。依据文化基因算法基于种群全局搜索和基于个体局部启发式搜索的框架,引入粒子群算法进行全局搜索,有效解决先验知识缺乏和计算复杂度高的问题;采用模拟退火算法进行局部搜索,解决局部极值问题。实验结果表明,本文所提出的文化基因粒子群学习算法较三类代表性的学习算法具有收敛速度快、精度高和计算复杂度低的整体优势。（2）针对多变量大气环境监测时间序列面临样本稀疏、属性间存在干扰和误差大的挑战,本文提出了基于模糊认知图的大气监测数据预测算法。首先系统地梳理和分析了大气环境监测数据,分析了该时间序列数据的特征和相关性,并得到了净化的数据集。然后基于所提出的基于文化基因粒子群学习算法的模糊认知图,构建了基于模糊认知图的大气环境监测数据预测算法。最后基于模糊认知图的迭代输出数据预测值。实验结果表明,该算法较五类代表性的时间序列预测算法取得了在六种监测数据上的整体优势。