大脑是现实世界中最为复杂的网络系统,人类通过这种网络系统实现不同大脑区域之间信息的处理与传递来完成认知活动。从网络角度来认识和研究大脑的认知神经机制时,脑网络为我们提供了一种新方法和新视角。基于脑磁图（Magnetoencephalogram,MEG）的脑网络可以揭示大脑认知功能的机制和特征,已经被广泛应用到脑认知研究方面。目前基于MEG脑网络的脑认知研究中仍旧有一些关键问题需要解决。首先虽然有关研究表明任务态脑网络在脑认知研究中具有优势,但是MEG任务态脑网络构建方法多种多样,常用的有虚相干（Imaginary Coherent,IC）和幅度包络相关（Amplitude Envelope Correlation,AEC）两种方法。究竟IC和AEC哪种方法构建的任务态脑网络更稳定?更能准确表现出被试在进行任务时大脑的变化?其次在任务态脑网络应用方面,现有研究将任务态脑网络与机器学习回归算法相结合构建回归模型,以这种方式对人类认知能力进行研究。但是这些研究在构建回归模型时没有进行特征选择,并且缺少对认知过程中脑部关键连接的研究。因此,本文首先使用重测信度对常用的MEG任务态脑网络构建算法的一致性和稳定性进行对比分析;其次统计分析了不同构建方法下的静息态与任务态脑网络拓扑属性之间差异的显著性,通过差异的显著程度来评价IC和AEC脑网络中哪一个能够准确表征被试进行任务时大脑的变化;最后选择人类认知能力中最重要的阅读理解能力作为量表,将选择出的构建算法应用在改进后的阅读理解能力预测模型的构建和分析中,并对对认知过程中脑部关键连接进行研究,为评价人类阅读理解能力提供更加客观的指标。本文主要创新工作及研究成果包括:（1）分析MEG任务态脑网络构建方法的重测信度,对比分析方法的稳定性IC与AEC方法被广泛应用于MEG任务态脑网络的研究中,算法重测信度越高表明越稳定,可以保证研究结果的可重复性。本文利用两次重复测量的静息态和任务态MEG数据通过IC和AEC两种方法构建脑网络,计算出网络拓扑指标,对指标间的重测信度进行对比分析。结果发现IC脑网络拓扑指标的重测信度高于AEC脑网络。（2）分析不同构建方法下的任务态脑网络与静息态脑网络拓扑指标之间的差异本文分别采用IC和AEC方法构建任务态和静息态脑网络,并计算出网络拓扑指标,分析任务态脑网络和静息态脑网络拓扑指标的差异。结果发现相较于AEC脑网络之间的差异,基于IC方法构建的静息态和任务态脑网络拓扑指标之间的差异更显著,表明基于IC算法构建的任务态脑网络更准确地表现出被试在执行任务时大脑的变化。（3）采用改进后的机器学习算法构建阅读理解预测模型针对目前阅读理解能力预测模型存在的问题,本文基于MEG静息态和任务态数据,采用偏最小二乘回归（Partial Least Squares,PLS）构建阅读理解预测模型,采用单变量特征选择算法进行特征选择,最后建立阅读理解能力的预测模型,通过模型预测R2和模型均方误差两个指标分析评价模型的预测能力,并确定阅读理解中的关键功能连接。实验结果表明基于MEG虚相干功能连接的偏最小二乘回归模型可以成功预测阅读理解分数;进行单变量特征选择的模型预测性能更高、预测更准确;并且发现采用与阅读理解相关的脑磁图任务态数据集比静息态数据集更适合用来预测阅读理解能力。