随着人机交互技术的发展,基于计算机自动算法的表情识别研究已成为近年来的热点。为了提出更加接近人脑运作机制的表情识别类脑算法,有必要深入研究人们在识别表情时神经元的连接以及神经机制。人脑识别表情的过程在毫秒级别,在这个时间尺度研究脑识别表情的神经机制,且精确定位于完成识别任务相关联的脑区,需要新的研究工具。脑磁图（MEG）兼具高时间分辨率和高空间分辨率,是研究面部表情识别神经机制的理想手段。为了探索人们在面部表情识别的状态下,不同脑区之间的相互协作机制,本文将脑磁图技术与脑网络分析模式结合,并通过基于先验知识和数据驱动的方法（PDM）,获得了能有效预测伤心、恐惧、惊讶、厌恶和愤怒五种面部表情识别的脑功能网络以及5个区分单一表情vs其它表情的特异性脑功能网络。具体研究工作包括:论文基于19名被试者执行面部表情识别任务时的MEG数据集,在两两信道采集的信号之间（0.9-2s）求皮尔逊相关系数构建全脑网络。采用秩和检验、随机森林和后向选择,从最初的36585个传感器连接对中选出最具鉴别能力和代表性的34个传感器连接对。借助brainstorm软件,使用Desikan-Killiany集查找出与34个传感器连接对采集信号所对应的脑区,归纳整理得到26个功能连接。然后,基于现有的34个传感器连接对,将某一表情的所有数据作为阳性样本,其余四种表情数据分别分为四份,随机组合成256种阴性样本。论文采用后向选择和支持向量机,用256个阳、阴性样本组合进行脑网络优化,得到了5个表情识别特异性脑功能网络（伤心vs其它表情、恐惧vs其它表情、惊讶vs其它表情、厌恶vs其它表情、愤怒vs其它表情）。实验结果发现,最终选择的34个传感器连接特征在预测五种表情上具有代表性和区分性,并且与表情识别任务最相关。由溯源得到的26个脑功能连接发现,面部表情识别过程涉及到颞叶、额叶、枕叶、顶叶的激活,其中颞叶的活动水平最高,达到32.35%。并且,与大脑左半球相关的功能连接数量大于与右半球相关的数量。5个特异性脑功能网络含有相同的神经基础,也有着独特的脑功能连接。本论文研究成果有助于理解人类在识别面部表情时的大脑神经机制,为构建更加鲁棒的表情识别自动算法提供神经学理论基础。