大脑是人体存储、处理、整合各种信号的中枢系统,在脑科学的研究中,功能磁共振成像(functional Magnetic Resonance Imaging,fMRI)技术是研究人类大脑认知过程的有效手段,其不仅可以实现无创伤、精准定位,并且具有分辨率高、可重复研究等优点。通过fMRI技术可以采集到脑内活动的大量数据,从这些数据中获取有效信息并进行有效识别是脑科学研究中的重要手段之一。论文从特征提取及分类识别两个角度出发对fMRI数据进行研究,叙述了fMRI数据特征以及分类模型在脑认知研究中的重要性,并对fMRI数据常用的特征提取方法、fMRI数据分类的基本过程以及常用的分类算法进行简要介绍。在快速独立成分分析(Fast Independent Component Analysis,FastICA)基础上,提出一种基于支持向量机(Support Vector Machine,SVM)的集成学习模型用于分析fMRI数据。论文的主要研究内容如下:(1)针对fMRI数据的特征提取方法,实验采用基于logcosh、exp、cube这三种负熵逼近函数的FastICA算法进行特征提取,将这三种函数下提取的成分因素分别作为SVM的输入进行分类识别,实验结果表明基于logcosh负熵逼近函数的FastICA算法在fMRI数据的特征提取上具有一定的优势。(2)针对fMRI数据的高维问题,利用SVM构造集成分类模型,并与基于logcosh负熵逼近函数的FastICA特征提取算法相结合,得到一种新的fMRI数据分析模型。将通过FastICA算法提取的特征输入该集成分类模型与SVM进行分类识别,实验结果表明集成分类模型可以更好地捕捉特征所包含的有用信息从而对fMRI数据表现出较好的分类性能,丰富了fMRI数据的分析方法。