目前，针对模糊认知图（Fuzzy Cognitive Map，FCM）学习算法与应用的研究已得到很大发展。但FCM学习算法的研究仍是一个新兴的领域，尚未形成一个独立的分支。FCM的最大缺陷就是基于先验知识，先验知识对推理结果影响很大，可能会向非期望稳定状态的潜在收敛。对FCM缺点的消除，如初始权矩阵的抽象估计和依赖于专家知识的主观推理，将会显著地提高其性能。加强FCM的学习，以使FCM的权值更可信，提高FCM模型的适应性和健壮性，增强动态模拟行为成为FCM的重要问题。在计算机视觉中，主流的几何图形识别基本方法为两大类，如基于区域形状识别，基于图像中物体的轮廓进行描述。上述两类方法没有先验知识是无法处理几何图形的遮挡与损失等问题的。且上述识别方法，有计算量大，匹配刚性大等缺点。而基于FCM的图形识别方法，可有效的避免这两种问题。目前针对FCM在基本几何图形识别方面的研究属于起步阶段，因此将其更好的应用于图形识别仍需进一步探索。本研究首先采用蚁群优化（Ant Colony Optimization，ACO）算法对FCM的权值矩阵进行优化研究。本方法是利用ACO算法对预先定义的目标函数求解最小值来完成FCM的学习任务。在实验环节中，本文借用过程控制中的一个标准问题验证本学习方法。本方法克服其他FCM学习方法的一些不足，并丰富群智能优化算法在FCM学习中的应用。本文同时将实验结果与粒子群优化（ParticleSwarm Optimization，PSO）算法对FCM权值矩阵优化的结果相对比。实验及对比结果表明，本方法是一种有效性与鲁棒性良好的FCM权值矩阵优化方法。为更好的完善FCM针对基本几何图形所设计的识别模型，本研究还对现有四边形和三角形FCM识别模型的权值矩阵进行优化。实验结果表明优化后的FCM识别模型对图形的缺失与遮挡等问题，具有更高的识别率。