大脑可以高效地完成各种认知任务,研究任务认知过程中脑网络配置的动态重组,对于探索大脑的认知机制具有十分重要的作用。同时,了解大脑任务认知行为的变化机制,有助于对计算机信息的加工模式提供参考。大脑是一个复杂动态系统,其网络活动取决于行为前后的反应,并随着时间的推移而动态变化。随着复杂系统动力学理论的发展,将其应用于脑科学研究,可以拓展传统的静态脑网络分析技术,从动态角度探索大脑的神经活动。亚稳态神经动力学通过协调大脑区域间整合和隔离的竞争需求,实现任务期间大脑功能网络的动态重组,可以进一步探索任务认知过程中大脑网络的动态特性是如何协调变化的。本研究基于亚稳态神经动力学理论,使用HCP的多任务f MRI数据,分析不同任务范式下的同步性和亚稳态,并研究其从静息态到任务态的切换效率,探索大脑网络如何在时间上协调以完成不同认知过程。但是真实影像数据在采集过程中受到外界噪声和大脑内部驱动等多重因素的干扰,采集到的信号中不可避免会存在与任务无关的因素。因此,本研究从真实任务和模拟任务两个角度出发,探究任务期间亚稳态神经动力学的变化。主要研究内容和结果如下:（1）对真实静息态数据和任务态数据进行同步性和亚稳态分析。使用HCP数据集,对954名健康的年轻参与者在静息态和执行七项任务中的同步性和亚稳态变化情况进行分析。结果表明,和静息态相比,任务执行过程中全局同步性和全局亚稳态都呈现显著增加。静息态网络（Resting State Network,RSN）的同步性和亚稳态在不同任务中表现出不同程度的增加,但是七项任务的同步性和亚稳态在扣带盖网络（Cingulo-Opercular Network,CON）、背侧注意网络（Dorsal Attention Network,DAN）、额顶叶网络（Fronto-Parietal Network,FPN）、默认模式网络（Default Mode Network,DMN）这些高阶认知网络中呈现出显著增加。（2）真实数据静息态到任务态动态属性的切换分析。为了进一步研究大脑在静息态和任务态下同步性和亚稳态的差异情况,计算了真实数据的同步性和亚稳态交互矩阵。通过交互矩阵的比较发现,大脑的动态属性在不同任务期间存在相似的增长模式,并存在同步性任务一般架构和亚稳态任务一般架构。其主要特点是高阶认知网络的同步性和亚稳态增加较多,而感觉运动网络的同步性和亚稳态增加相对较低。此外,静息态下高阶认知网络的高度同步性可以促进有效的任务切换,具有任务预配置的参与者表现出出众的认知能力,这表明大脑的自发活动与认知能力密切相关。这些结果揭示了大脑的任务切换效率和认知能力之间存在重要关系。（3）基于Kuramoto模型的任务激活分析。为了排除数据采集过程中外界噪声和大脑内在波动的影响,本研究使用HCP重测数据集的45名健康年轻参与者,利用Kuramoto模型构建模拟大脑的神经活动,从而对真实数据的结果进行补充和验证。本研究利用计算机技术构建Kuramoto模型,通过探索参数空间,确定最优拟合参数对大脑神经活动进行模拟。对于模拟的神经活动从时域和频域的角度进行验证,表明模型可以较为准确反应被试的再现真实数据的特征信息。接下来,对任务相关的区域进行激活,得到任务下的神经波动,并从同步性和亚稳态的角度进行分析。结果发现,模拟数据在任务切换下的变化和真实数据分析得到任务一般架构相符。综上所述,本文从真实任务和模拟任务两个角度出发,探究了大脑从静息态到任务态切换时亚稳态神经动力学的变化。结果发现,任务期间大脑的同步性和亚稳态显著增加。利用真实数据对大脑的任务切换进行分析,发现不同任务之间大脑存在基于动态属性的任务一般架构,即任务期间,高阶认知网络的同步性和亚稳态增加较多,而感觉运动网络中的同步性和亚稳态增加较小。通过构建Kuramoto模型,排除了数据采集过程中内在因素和外在因素的干扰。对模拟任务同步性和亚稳态的分析发现,在模拟数据下任务切换的变化趋势与真实数据一致。本文研究了亚稳态神经动力学从静息态到任务态的切换变化,对于探究大脑的认知机制具有一定的参考意义。