人的大脑由许多的神经元组成,神经元之间互相作用,以完成人脑的各种功能。因为人脑中的神经元数量非常庞大,单独研究起来非常不方便。目前,应用最广泛的方法是基于血氧水平依赖(BOLD)的功能磁共振成像(fMRI)信号,该信号不仅可以考察受试者在静息态下的功能性脑网络,也可以研究基于任务的动态功能性脑网络。传统的分析方法是基于模型的统计方法,但fMRI涉及到脑功能的复杂模式,所以不适用于此类方法,而基于数据驱动的聚类分析则能更科学和客观地分析fMRI数据。本文主要对聚类方法进行研究,使聚类算法能更好的应用于fMRI数据的分析,进而促进脑功能连接的认识。首先,本文通过对使用广泛的K-means算法进行了研究,提出一种基于 DBI的层次初始的K-means 算法(DBI based Hierarchical Initialization K-means,DHIKM),可以选取较好的初始聚类中心和自动地确定聚类个数,并得到了较好的实验结果。由于稀疏表示和结构稀疏表示可以利用信号的稀疏性特征很好地表示fMRI信号,近些年来,许多研究者采用稀疏表示来对fMRI进行研究,并取得了良好的效果。因此,本文在稀疏表示的基础上融合提出的DHIKM算法,对脑功能网络进行聚类研究。通过分析发现,脑图像具有高维数据结构特征,而子空间学习则可以有效降低数据的维度,可以有效地表示fMRI信号,所以采用稀疏子空间学习方法对脑功能网络进行聚类分析。同时,基于空间距离上较近的神经元彼此之间相连的概率较高这一特性,本文提出了邻近自适应的局部尺度稀疏子空间聚类算法(neighboring adaptive local scale based sparse subspace clustering),并得到了较好的成果。