人脑是由约1000亿个相互连接的神经元构成的复杂而庞大的网络，其任何一个认知功能的实现都需要多个脑区协同工作。为了更清楚地揭示脑的工作机理，我们需要将其看成一个综合的网络，对脑连接进行研究。功能磁共振成像（functional magnetic resonance imaging，fMRI）作为一种新兴的无创性医学影像技术近年来在脑科学研究的众多领域中得到了广泛的应用。本文以fMRI数据为研究对象，以脑连接分析方法为研究重点，全面深入地分析了脑的功能连接和有效连接。研究了脑连接最简单、最直观的形式——功能连接。论文从脑功能连接分析方法入手，分别阐述了模型驱动和数据驱动两类脑功能连接分析方法的原理。在此基础上，使用基于独立成分分析的脑功能连接分析方法，研究了重性抑郁症患者静息状态默认网络的功能连接，并探索了抗抑郁药物治疗对该网络功能连接的影响。首次发现重性抑郁症患者的静息状态默认网络分解为两个独立的空间子网络，而前部子网络对于药物治疗存在抗药性，该发现对于阐明重性抑郁症的病理有着非常重要的意义。功能连接分析测量的是脑区间活动的统计相关性，无法对脑连接的方向性做出推断。为了更清楚地刻画脑网络中的信息流向，论文研究了脑有向连接——有效连接。首先系统地阐述和推导了确定性动态因果建模（dynamic causal modeling，DCM）的基本原理。在此基础上，使用确定性DCM研究了网络成瘾患者反应抑制脑网络的有效连接。发现在执行GoStop任务时，与正常对照组相比，网络成瘾被试反应抑制脑网络的有效连接显著降低。这一发现为揭示网络成瘾的神经机制提供了重要的线索。提出了基于网络发现的DCM模型选择算法。在使用DCM进行有效连接分析时，由于缺乏详细的解剖连接知识，研究者往往事先定义一组备选模型，然后使用贝叶斯模型选择算法找出最优模型。但是，随着脑网络中节点数目的增多，模型空间急剧增大，传统的模型选择算法已经无法在数量巨大的备选模型中找到最优模型。本文提出了一种基于网络发现的DCM模型选择算法，该算法只需估计一个全连接模型的参数，即可找到最优模型。同时，新算法无需研究者事先根据先验知识定义备选模型空间，因而实现了DCM从模型驱动方法向数据驱动方法的飞跃。研究了基于fMRI的随机DCM。确定性DCM将人脑看成一个确定性动力学系统，认为神经活动的变化仅由确定的外界输入引起。然而众多研究发现，神经活动不仅受外部刺激的驱动，还很大程度上受到内部自发生理活动的影响。如果在建模时不考虑这些自发生理活动，将会导致模型定义的不完整以及参数估计的不准确。本文研究了基于fMRI的随机DCM，该模型在状态方程中考虑了自发生理活动。使用仿真数据和真实的fMRI数据对比了随机DCM和确定性DCM的性能。结果显示，随机DCM比确定性DCM得到的有效连接参数更加精确。同时，随机DCM打破了确定性DCM无法用于分析静息状态有效连接的瓶颈。本文结合成组独立成分分析方法和随机DCM，提出了静息状态有效连接分析的框架。首次分析并对比了静息状态和任务状态下默认网络的有效连接，发现虽然默认网络的活动在执行认知任务时降低，该网络的有效连接却显著增强。研究了广义滤波算法。随机DCM的参数估计为一个三重估计问题，现有的参数估计算法建立在平均场近似的基础上，假设待估计的未知量之间是条件独立的。然而在实际的fMRI数据分析中，该假设往往不成立。最近，我们提出了一种新的随机DCM参数估计算法，称为广义滤波算法。该算法不再依赖于平均场近似，并且能够提供在线的参数估计。本文在我们先前工作的基础上，对广义滤波算法进行了进一步的研究。分别使用仿真数据、单个被试以及成组被试的fMRI数据评估了广义滤波算法的有效性。