从复杂的电生理信号中捕获信息流动一直以来都是热门研究领域,其中脑电（Electroencephalography,EEG）时变定向网络构建作为一种潜在的研究手段,它能在毫秒级的响应内研究脑区间的动态交互关系,帮助研究人员了解大脑如何有效适应信息处理以及解码认知过程背后的神经机制。然而,大多数由因果关系定义的定向信息交互推断方法仍离不开参数化模型搭建,即多元自适应自回归模型（Multivariate Adaptive Auto-Regression model,MVAAR）,其中以自适应定向传递函数（Adaptive Directed Transfer Function,ADTF）的应用最为广泛。这类参数时变网络方法相应的表现很大程度取决于MVAAR模型估计出的系数与阶数,而MVAAR建模在一个复杂系统环境中往往会遇到许多困难,比如易受外界噪声干扰、对数据段质量要求较高、对耦合系数与矩阵阶数的估计存在误差等等。这些因素都会影响网络构建效果,导致出现较多伪迹,模糊真实的网络拓扑结构。本文针对上述这些问题,提出了以时频分析为基础,使用多元非参数动态格兰杰因果关系（Multivariate nonparametric dynamic Granger causality,mnd GC）方法构建时变定向EEG网络,直接以数据驱动的方式推断网络中的因果关系,从而避免由模型构建主导的参数化方法所造成的误差。本文的具体研究内容如下:1、提出基于小波变换的mnd GC方法,即小波变换格兰杰因果（Wavelet Transform Granger causality,wt GC）网络。具体说来,先用复Morlet小波变换估计信号的时频分布,然后构建多通道交叉谱矩阵,结合谱矩阵分解算法数值迭代求解出传递函数与噪声协方差,最后定义配对信号间的因果交互关系以构建网络。针对传统参数时变网络构建易受噪声影响这一特性,我们在仿真中设计多节点预定义网络结构,将wt GC与参数方法ADTF在网络构建中进行各方面比较。仿真结果表明,在不同噪声环境下,wt GC的网络构建效果均优于ADTF,即wt GC的时变网络一致性与平均网络一致性都保持较高水平,且wt GC能够捕获出与预定义结构一致的动态因果变化,而ADTF对于状态切换与瞬时变化的因果模式恢复能力较弱。2、提出了基于Gabor变换的mnd GC方法,即Gabor变换格兰杰因果（Gabor Transform Granger causality,gt GC）网络。具体说来,在信号时频分析中使用Gabor变换以及Gabor互谱表示替代小波变换分析,并保持谱分解算法一致构建因果网络。我们探究了仿真中gt GC时变网络构建的表现,同时对比了两种非参数方法在谱矩阵分解中对于迭代收敛条件的敏感性。仿真结果表明,gt GC在局部是收敛的,较高迭代次数时效果不好,而wt GC是全局收敛的且基本不受迭代次数影响。3、将wt GC网络运用到脑电认知过程数据中构建时变定向EEG网络。对于运动想象（Motor Imagery,MI）数据集,时变网络分析结果发现了MI过程中分阶段的网络模式以及左右手MI任务主导的对侧半球激活与信息流动。对于语言理解实验范式数据,时变网络分析结果发现了语言理解早期左侧颞叶后部向前额叶的信息流向,前额叶Fz相关区域在决策行为中的激活以及在语言理解中出现视听异常时的大脑会额外调度右半球参与认知加工的网络模式。综上,本论文发展了两种基于时频分析的动态非参数格兰杰因果网络,仿真与真实数据集证明了其良好的网络构建效果,为脑电时变网络构建提供了新的思路。