大脑是极其复杂的产物,多少年来,人类一直在尝试着解读大脑这个“黑盒”。随着脑成像技术的发展,人们对大脑的研究已从最初的解剖定位发展到对脑功能活动基本过程的深入探测。功能磁·共振成像(?)(?)MRI)是20世纪九十年代发展起来的一种基于血氧水平依赖和血流敏感性的成像技术。功能磁共振成像作为一种非侵入式的技术,有许多其它技术没有的优点。因此近年来,它已经成为研究大脑动作方式的首要选择的方法。那么,相应的许多分析fMRI数据的方法也由此诞生。本文主要是利用一种新的独立成分分析方法对功能磁共振成像的数据进行了应用研究。以前对于fMRI数据的处理方法都是在对实验设计的时间序列有预先了解的情况下,利用相关性分析得到的脑的激活区域。如果假设大脑所采集的时间序列是未知的,激活脑区的因素及其影响也是未知的,那么这就意味着信号源和混合矩阵是未知的,这是典型的盲源分离问题。要解决盲源分离问题,我们就可以选择最常用的独立成分分析方法。通过独立成分分析方法对fMRI混合数据进行分离并提取相关成分。本文首先介绍了fMRI的原理、应用、特点以及用独立成分分析方法的一些估计算法；介绍了一种新的算法一基于峭度的RobustICA算法,分析了该算法的理论、步骤及其优点,并通过一些仿真实验验证了该算法较以前的FastICA有了很大的改进；对实验的材料和方法进行了简单的介绍；独立成分分析算法(RobustICA和FastICA)对fMRI数据进行了成分的分离。通过和FastICA算法对fMRI数据的分析比较发现,由于对坏点的鲁棒性比较好,RobustICA算法成功的分离出21个独立成分,而FastICA算法只分离出了19个独立成分,FastICA算法比RobustICA算法少分离出一个任务相关成分和一个噪音成分。从而说明了RobustICA算法在某些方面具有一定的优势。