在信息化技术的推动下,来源于医疗决策、金融风险评估和环境决策等众多领域的决策活动在频率、广度以及复杂性上较传统的决策活动有着本质的差异,亟需解决增多的不确定因素的影响和未来演化趋势的评估等挑战。针对上述挑战,本文从多属性决策与认知学习、进化学习和集成学习多学科交叉融合的角度,开展基于模糊认知图的动态多准则决策方法研究,具体研究内容包括:（1）研究基于改进Jaya学习的模糊认知图方法。模糊认知图作为一类将模糊反馈动力系统中的因果事件、参与值、目标与趋势等通过各概念问的弧线连接起来的图结构,具有良好的推理和预测能力,其关键之一就是如何量化模糊认知图的关系矩阵,目前量化学习算法还有待解决局部最优和先验知识难以获取的挑战,因此本文提出基于改进Jaya学习的模糊认知图方法。首先构建初始模糊认知图拓扑结构。其次,结合模拟退火原理,改进具有基于数据驱动特性的Jaya算法,不必获取先验知识,以自适应自学习的方式优化模糊认知图学习权重矩阵。最后,通过模糊认知图的推理机制实现时序数据预测过程。实验结果证明,该方法有效避免了Jaya算法局部收敛情况,与其他基于进化算法学习模糊认知图的方法相比提高了预测的准确性。（2）研究基于模糊认知图和优劣解距离法的动态多准则决策方法。针对决策过程中日益增加的不确定性因素和未来演化趋势的评估的挑战,提出基于模糊认知图和优劣解距离法的动态多准则决策方法。首先,利用历史数据学习模糊认知图预测将来决策信息,挖掘决策变化趋势。其次,确定各阶段的决策准则权重向量,利用优劣解距离法计算阶段方案的优先级评分。最后,基于偏斜分布曲线特性确定周期内时序权重向量,并对各阶段的决策结果进行聚合,从而实现周期内的最优决策。实验表明,提出的方法具有学习与预测性能,与典型动态多准则决策方法相比决策结果高度一致,验证了其解决数据驱动决策问题的有效性。