近年来，随着研究的深入，脑网络已经成为了热点领域。脑网络由结构脑网络与功能脑网络两部分组成，并且二者之间有着密不可分的关系。人们对脑网络进行研究，其主要关注点在于结构脑网络与功能脑网络的拓扑特性以及属性分析。脑网络是一个非常复杂的系统。在人脑中，神经元数量达数十亿之多，规模非常庞大。并且，神经元的连接还存在着不同的行为、认知模式。目前人们对脑网络的研究有神经元级别、体素级别以及脑区级别等不同的研究层面。有研究显示，当脑区划分达到4000个时，其计算量已经超出了目前的计算能力。由此可见，对功能脑网络的研究在很大程度上依赖于科学计算。正是由于计算量问题，许多学者开始寻求利用模拟仿真的方法来研究功能脑网络的拓扑属性，脑网络建模这一热点问题也就应运而生了。　　随着脑网络建模研究的不断发展，人们已经尝试过基于很多网络特性的建模方法，并已取得了一定的成果。在功能脑网络建模领域，经过大量的研究证实，结构度在预测功能脑网络特性方面具有很大的优势。也有一些研究将解剖距离作为功能连接的一个参数，也取得了一定的效果。还有一些研究将节点的共同邻居（Common Neighbor，CN）作为节点相似度指标用于模拟功能连接，并经过证实，基于共同邻居的建模结果非常好。至于建模所采用的数学模型，目前主流的模型是将脑网络的结构特性与功能特性分别作为建模的变量来模拟功能连接。经过大量的调研，本文最终也沿用了基于结构特性与功能特性的数学模型。　　本文的主要创新工作有以下几点：　　第一，将链路预测方法中所采用的局部信息指标应用到功能脑网络建模中。链路预测中的局部信息指标指的是根据节点的相似度来对节点之间是否存在连接进行预测。先前研究曾将节点的共同邻居作为节点相似性指标用于功能脑网络建模。本文经过调研发现，共同邻居就是一个最典型的局部信息指标。而且，除了共同邻居之外，还有很多局部信息指标存在，如果将这些指标用于建模，是否也能取得与共同邻居一样甚至更好的效果呢？本文根据链路预测精确度筛选出了8个指标，并将其用于预测功能脑网络的连接。局部信息指标的计算方式其实是有所不同的。有的指标是基于节点的度计算得到的，有的则是基于共同邻居计算得到的，而还有的指标是既要考虑节点的度，又要考虑共同邻居。因此，本文将局部信息指标分为3种类型：基于共同邻居的指标；基于节点的度的指标；将二者相结合的指标。本文重点研究了究竟哪类指标对功能脑网络建模的适用度最高。　　第二，提出了一种基于脑网络属性之间相对误差的网络相似度评价方法。在脑网络领域，公认的网络性能的评价指标是脑网络的全局与局部属性。全局属性，如特征路径长度，全局效率等；局部属性，如聚合系数，局部效率等。脑网络属性从本质上说是衡量网络通信效率的指标。在计算脑网络属性时，采用的是图论中的节点和边的概念。并且，脑网络属性都是复杂网络领域所采用的网络分析指标。但是对于网络相似度，目前脑网络领域尚没有一个权威的评价方法。本文结合脑网络实际问题提出了一种新的相似度的量化指标。在本文提出的相似度计算方法中，利用相对误差的绝对值来衡量各个模型网络的属性与真实网络属性的差异程度，并将各个属性的相对误差的绝对值相加，给出了一个综合多种脑网络属性的整体相似度评价指标。事实上，相对误差越大，说明网络的差异越大，所以更确切地说，相对误差衡量的是网络的差异程度而不是相似度。因此，本文沿用了先前研究中的 E值形式，将多种脑网络属性的相对误差值作为分母，使得E值越大，网络的相似度越高。　　第三，提出了一种基于链路预测精确度的快速判断建模效果的方法。脑网络建模非常复杂，包括前期的数据采集，数据预处理，以及后续的功能脑网络构建，网络属性的计算以及网络相似度的评价等。完成脑网络建模需要付出大量的时间和计算成本。本文根据局部信息指标在链路预测实验中的表现提出了一种快速判断建模效果的方法（实验假设）：假设局部信息指标在链路预测实验中精确度越高，则越适合用于功能脑网络建模。为了验证该假设，本文将网络相似度E值与链路预测精确度指标PrecisionPower进行了关联分析。结果显示，二者之间存在显著的线性关系，说明假设成立，我们可以根据链路预测精确度的数值大小来对局部信息指标用于功能脑网络建模的效果进行事前判断。