随着脑影像技术的蓬勃发展,基于脑影像技术的大脑神经活动模式的分析和解码,已经成为一个新的研究热点。表征相似性分析方法作为基于数据驱动的大脑表征几何结构分析的强力工具,能够充分利用fMRI数据内在的结构信息构建模型来分析大脑对不同认知任务项响应的神经活动模式之间的相关性,从而更好地揭示脑认知行为和相关神经活动模式的编码机制。本文的主要工作和创新点如下:一、本文提出一种基于梯度的表征相似性分析算法,针对传统表征相似性分析方法局限于线性模型的问题,以及当数据样本数量太大时算法计算性能不高的问题。具体方法为:首先用其采集的数据得到神经活动模式信息,考虑到数据中高维特征的冗余性,在模型中引入?1正则化项,然后采用随机梯度下降算法对模型进行优化。进而通过模式特征矩阵分析不同认知任务之间在大脑表征中的相似性。最后,在脑局部区域fMRI数据集上验证提出方法的有效性。实验结果表明,提出的方法能很好的对大脑神经活动中隐藏的信息进行判别,从而分析不同认知任务之间的相似性。此外,针对现有方法缺乏对感兴趣区域的群组效应特征进行有效分析的问题,本文又出了一种基于弹性网络的梯度表征相似性分析方法,在基于梯度的表征相似性分析方法上,引入弹性网络的思想,构建基于弹性网络的梯度表征相似性分析模型框架,将其应用于脑局部结构的脑解码研究。在多被试者数据集上的实验研究证实,本文的方法在特定的感兴趣区域数据集上有较好的性能。二、由于感兴趣区域数据缺乏空间局部性,而全脑fMRI数据包含更多符合神经科学基本目标的空间位置信息,因此,本文提出了一种基于Searchlight的梯度表征相似性分析方法。该方法将基于局部区域的表征相似性分析算法推广到全脑结构数据分析中,首先使用Searchlight的思想将全脑数据分块;然后在分块的数据上使用基于梯度的表征相似性分析算法,得到该局部数据的映射特征矩阵;最后,将所有局部的映射特征矩阵融合,对不同的认知任务进行相似性的分析。该方法充分考虑了被试者大脑信息中的结构性与更多的全局信息。在实验研究中,在全脑结构fMRI数据集中验证了所提方法的可行性和鲁棒性。