从上个世纪九十年代以来，脑功能成像技术得到了广泛应用和长足发展。脑功能成像最大的优点就是无损伤，可以直接对人脑进行反复的非侵入性观察测量。 在高级脑功能成像的研究中，数据处理是相当重要的一个环节。随着脑功能成像技术(PET、fMRI等)的发展，人们从中获取丰富的信息数据，用于脑功能区的定位、对功能新区的探索以及研究脑功能区之间的相互关系等。只有通过对这些数据进行分析，从大量噪声中提取感兴趣的信息，揭示其中的规律，才能真正达到对人脑功能研究的目的。 脑功能成像数据处理方法的研究已经成为当前国内外研究的重要领域。对功能磁共振数据的分析有两类方法：数据驱动分析法和模型驱动分析法。本文采用基于数据驱动的分析方法——独立成分分析法(Independent Component Analysis，ICA)，并结合图像分割领域的区域增长法(Region Growing)来处理功能磁共振数据。 区域增长法是一种在人工智能领域的计算机视觉界十分受关注的图像分割方法。它的基本思想是将具有相似性质的象素合并构成区域。具体来讲，先对每个需要分割的区域找一个初始象素作为生长的起点，然后将初始象素周围邻域中与初始象素有相同或相似性质的象素合并到初始象素所在的区域中。将合并了新象素的区域作为新的初始继续上面的过程，直到再没有其它象素满足相似准则，合并结束。 独立成分分析法是一种基于高阶统计量的方法，是处理脑功能成像数据的