基于人脑磁共振图像的个体认知参数定量估计一直是认知神经科学领域的一个研究热点,这类研究不仅可以探究大脑结构和功能的个体差异性,也有助于神经精神类疾病的辅助诊断与早期预警。然而目前大部分研究都是基于单标签技术而不是多标签技术,而多标签学习考虑了标签之间的相关关系,可以提供更丰富的信息,从而提高预测的准确率。目前的个体认知参数定量估计研究大多还是基于静息状态功能磁共振图像（fMRI）开展的,近期研究表明自然状态fMRI在多个关键方面均优于静息状态fMRI,但使用自然状态fMRI对认知参数进行定量估计的研究还存在空缺。因此,本研究引入多标签学习技术来开展个体的多个认知参数的预测,并分别基于静息状态fMRI和观影状态fMRI进行了系统探究。具体地,本文主要开展了以下三项工作:（1）基于偏最小二乘回归（PLSR）的多个认知参数预测研究。该项工作系统地探究了PLSR在基于静息状态fMRI预测个体认知参数的表现,特别是在同时预测多个认知参数上的性能。我们分别使用基于偏相关和基于全相关的静息状态功能连接（RSFC）作为特征,估计了共计十个认知参数。研究结果表明,PLSR在单标签和多标签学习中均表现良好,并且有助于挖掘预测背后的生理意义。此外,该项工作还发现基于100、200和300个感兴趣区（ROI）之间RSFC预测的精度高于基于15、25和50个ROI之间RSFC的预测准确性;使用偏相关计算的RSFC的预测精度高于基于全相关计算的RSFC的预测精度。（2）基于典型关联分析（CCA）及其变式的认知参数的多标签预测。该项工作提出了三种CCA结合岭回归的多标签预测模型,并将基于偏相关和全相关计算的RSFC作为特征,使用两组不同的标签集探究了模型的泛化性能。研究结果表明,三种模型在基于静息状态fMRI的认知参数的多标签学习中表现较好,且加入核函数的预测模型效果最佳。此外,这项研究结果再次表明高分辨率的ROI以及使用偏相关的RSFC均有助于提升预测精度。（3）基于观影状态fMRI的认知参数定量评估研究。该项研究中引入了三种成熟的脑功能特征（FC、ISC、ISFC）和两种新型脑功能特征（自然刺激响应幅度和残余信号功能连接特征）,进而结合PLSR算法来进行观影状态下的认知参数的多标签预测。研究结果表明,五种脑功能特征在不同程度上都有利于个体认知参数的定量预测,其中FC和残余信号功能连接特征更加适用于认知参数的多标签预测。本研究的创新性在于:（1）系统地探究了PLSR在认知参数多标签预测中的性能,并证明了该算法可获得高预测精度且具有普适性;（2）将CCA结合岭回归的多标签学习模型应用于多个认知参数预测,并取得较高预测精度;（3）率先基于观影状态fMRI探究了认知参数的多标签学习,并提出新型的脑功能特征用于认知参数预测。