目前神经科学和机器学习相结合研究人类大脑的工作机理已经成为一种重要趋势。功能性磁共振成像作为一种成像技术在人脑研究领域取得了重大进展,它通过测量神经活动获得影像数据,不仅可以帮助人们了解大脑每个区域的功能,而且可以揭示大脑每个区域的信息编码方式。目前,人们在研究神经活动的解码方面已经取得了重大的进展,然而多被试者fMRI数据的功能校准仍然是长期存在的重要挑战之一。多被试者fMRI数据的典型特点是大样本、高维和非线性,此外由于不同被试者之间大脑生理结构和功能结构的差异性导致在进行分类分析之前必须对数据进行生理结构校准和功能校准。针对这些特点,恰当的功能校准方法和良好的特征选择算法是解决问题的有效途径。本文据此提出两种不同的功能校准算法解决上述问题,主要贡献可概括如下:1.针对多被试fMRI数据分析中的大样本、高维问题,提出了一种基于梯度的超校准方法,称为梯度超校准。超校准算法是目前最有效的功能校准算法之一,它可以大幅度提高分类精度。与大多数采用典型相关分析求解的超校准方法不同,梯度超校准采用独立成分分析求解超校准问题。独立成分分析算法本身就是一种有效的特征选择算法,它通过选择相互独立的特征来提高分类精度和运行效率,而梯度超校准算法吸收了独立成分分析方法的这些优点。另外,由于多被试者fMRI数据集具有大样本、高维度的特点,传统的功能校准方法具有很高的运行时间和内存占用,为了解决这个问题,梯度超校准算法使用随机梯度上升进行优化。通过结合独立成分分析和随机梯度上升两种算法,梯度超校准算法在大型数据集上运行时间较低。实验结果表明,梯度超校准算法可以有效地减少运行时间并且提高预测精度。2.针对多被试fMRI数据分析中的非线性、高维问题,提出了一种基于流形学习的超校准方法,称为流形超校准。多被试fMRI数据通常是高维的和非线性的,因此传统的线性超校准方法不适用于非线性数据。核超校准算法采用核方法处理非线性问题,然而这种方法忽略了数据本身的分布特性,因此流形超校准算法使用流形学习来对高维数据进行降维,由于大多数fMRI数据都属于视觉神经数据,从理论上来说这些数据符合流形特性,因此流形超校准可以更好地实现高维数据到低维流形的转换,从而提高分类预测精度。同样地,为了解决数据中大样本的问题,流形超校准使用随机梯度上升进行优化。因此,流形超校准在大型数据集上运行时间较低。实验结果表明,流形超校准可以有效地减少运行时间并且提高预测精度。3.创建了一个基于图形用户界面的工具箱使得研究易于重现,该工具箱可以运行包括本文提出的方法在内的许多前沿的基于任务的fMRI脑影像分析方法。