人类大脑是一个由许多相互作用的区域组成的复杂大尺度网络。对脑网络在时间和空间上的组织架构进行研究可以帮助我们理解脑区间的功能协作和信息整合与认知行为之间的关系,探究神经系统疾病的神经基础。功能磁共振成像(fMRI)技术常用于检测大脑各区域的活跃水平。通过对脑区间静息态fMRI信号的相关性进行研究,可以推断大脑区域在功能上的耦合程度,从而进一步量化大脑网络。然而,目前的脑网络研究方法只能反映大脑功能网络的一部分特征,而不能完全表征大脑功能网络的时空动态特性。本文将引入格兰杰因果模型和非齐次马尔可夫模型对大脑功能网络进行建模,在时空尺度上刻画大脑的信息传递模式。论文主要包括三个部分:第一部分,主要研究了格兰杰因果模型在静息态功能磁共振数据分析中的应用。选取与面孔识别相关的14个区域作为节点,利用格兰杰因果分析度量脑区间的有效连接作为边,构建静息态有向脑网络。然后在组水平上探究发展性面孔失认症患者的有效连接异常,为将无向的功能连接网络推广至有向网络做准备。第二部分,主要是对大尺度脑功能网络的可塑性和动态变化的特性进行建模,使用非齐次马尔可夫模型框架对大脑网络的稳定性和灵活性进行量化。首先,我们从理论上证明了模型中定义的马尔可夫过程是遍历的,因此在此框架下的大脑系统是收敛的。然后,用最大转移概率量化从体素到其它大脑区域的最大流,将最大转移概率对应的步数定义为最优步数。根据这个模型,我们识别出了视觉、听觉、感觉运动区域到全脑其他体素的动态最优步数,探究了基础感觉区域之间的多重动态路径。第三部分,主要是将第二部分建立的动态脑网络推广至有向网络。我们使用动态有效连接替代动态功能连接来定义脑区间的路径,在模型中加入了空间路径的方向信息,从而能更好地刻画大脑信息传递的动态过程。仿真结果表明,在模型中加入方向信息后能够减少对错误路径的识别,从而能更好地对大脑功能网络进行建模。