认识和理解大脑对于发展类脑人工智能系统和治疗大脑神经系统疾病有着十分重要的意义。利用脑成像技术和复杂网络理论构建大脑的功能网络,是揭示大脑连接结构和功能分化的重要方法之一,但是利用脑成像技术和复杂网络理论不能研究大脑的动力学行为。大脑的同步行为有助于大脑信息的传递和功能的整合、分化,功能脑网络与脑区的功能整合和神经信息的传递也紧密相关,因此探讨功能脑网络的同步行为具有极其重要的意义。大脑内部存在社区结构,社区结构与脑功能整合分化有关,已有研究表明大脑各个社区的同步行为不同,针对社区的同步研究更能详细的描述大脑具体的同步情况。研究发现,珠心算训练能够影响功能脑网络的功能分化,但对珠心算训练影响脑的塑造的研究主要是集中在对拓扑结构的影响,缺乏从动力学行为的角度来研究。针对上述问题,我们利用静息态fMRI脑功能成像数据构建了对照组和珠心算组功能脑网络拓扑结构,并对对照组和珠心算组功能脑网络进行社区划分。我们使用模块度、参与系数、连接强度定量分析了珠心算训练对功能脑网络的分化的影响。我们发现珠心算训练能促进功能脑网络的功能分化,使子模块之间的功能连接强度减弱。珠心算训练增强了感觉运动和听觉网络、视觉网络的独立性,使得这两个社区与其他社区的功能连接数和功能连接强度减少。并且珠心算训练能使默认网络、眶额皮层与其他社区的功能连接数增加,使这两个社区更加广泛地连接到其他社区。最后,我们将Hindmarsh-Rose神经元模型引入到功能脑网络研究中,构建了基于Hindmarsh-Rose神经网络的功能脑网络动力学模型,研究功能脑网络的动力学特性。我们用序参量来衡量对照组和珠心算组中社区同步性差异。我们发现大脑整体的同步水平经过珠心算训练并没有发生大的变化,但是与珠心算训练密切相关的视觉网络同步水平大大提升,与静息状态相关的默认网络同步水平也增强了,说明通过珠心算训练,这两个社区的脑区之间信息整合和信息传递的能力增强了。本工作从动力学角度揭示了珠心算训练能提高视觉网络局部效率的原因。