人类对于自身的探索从来没停止过,而大脑更是逐渐成为研究的重点课题。近些年来,人们利用功能磁共振成像(fMRI)技术对大脑内部的活动进行了无创伤的探测,并利用这项技术采集到脑内活动的大量数据。如今,对所采集到的数据进行分析,以及如何从这些数据中提取有用的信息,成为亟待解决问题。独立成分分析(ICA)为解决这一问题提供了可行的思路。本文研究一种基于无穷范数ICA的fMRI数据分析算法,并将其应用于记忆想象认知实验的数据分析中。本文所研究的算法主要是利用ICA提取fMRI脑扫描信号中的独立成分,而为了使ICA面对fMRI存在的噪声问题,利用无穷范数作为稀疏性度量的目标函数,将阶数趋近于无穷大,不但使算法具有更好的鲁棒性,而且还使计算过程得以简化；依此目标函数,可以将fMRI认知实验得到的数据所形成的矩阵作为目标函数当中的混合源信号来对数据进行处理,用迭代更新的方式最终确定最大权值时的分离矩阵,利用分离矩阵计算得到最优化结果。本文进行了记忆想象认知实验,并根据所得到的fMRI数据,分析记忆想象认知过程中相应的脑区激活状态及各脑区之间的相互关系。通过本文所研究的算法进行计算,提取fMRI数据中相互独立的成分,分析这些独立成分与各脑区之间的关联性。对照独立成分分析算法处理数据的结果,分析四组认知任务时大脑激活的脑区,与利用阈值方法得到的较大值所对应的脑区一致,与现有软件包处理的结果对比,本文所研究的无穷范数独立成分fMRI分析算法合理有效。认知实验得到的各个脑区分析结果显示,在大脑对实验任务进行反应时,并不是单一的脑区激活,而是多个脑区共同激活来对认知任务作出反应。