贝叶斯理论是一种统计推断理论,它利用样本的分布以及总体的先验分布,深度挖掘数据中蕴含的信息,建立一种理性选择的贝叶斯决策理论,指导受试者在不确定性的情况下作出合理的决策。本文基于贝叶斯理论从实验和模型两方面研究受试者在感知判断中的决策行为,对揭示人脑的决策行为机制具有重要的理论意义和应用价值。本文的主要工作包括以下几个方面:1.基于人脑神经元的生理结构和功能,建立一种概率编码与解码的贝叶斯决策模型以及感知变量模型。利用MATLAB和Psychtoolbox编程设计了两类光棒实验,借助蒙特卡罗法对模型参数进行最大似然估计和最小均方误差估计,进而对实验数据进行拟合,并用均方根误差、ROC曲线图和AUC值衡量模型的拟合效果,结果表明贝叶斯决策模型比感知变量模型对行为数据的拟合更有效。贝叶斯决策模型研究在目标搜索时,把物理刺激转化成电信号进行神经元编码、解码以及行为决策,实现人脑行为活动模拟。2.根据判断相同和不同的思想提出了“部分相同”的概念。本章通过实验和理论模型对视觉刺激分类判别进行研究,采用带有方向的光棒和三位数作为刺激设计两类实验,分析实验数据中影响判断部分方向相同的因素,并利用方差分析检验显著性。对模型中的参数进行用最大似然估计,均方误差和AIC信息准则表明变精度贝叶斯判别模型比备择模型对实验数据的拟合效果好,同时模型适用于数字实验并具有较强的预测能力。结果表明,人类对于多样性的判断遵循近似最优的贝叶斯推理。3.Müller-Lyer错觉是经典的几何错觉,本文从实验和理论角度数量化的度量Müller-Lyer错觉。首先设计了6个Müller-Lyer错觉实验全面探究影响Müller-Lyer错觉的因素,基于刺激的错觉增量建立了错觉增量模型,并利用蒙特卡罗法对模型参数进行估计。均方误差表明错觉增量模型和心理函数对实验数据拟合均较好;但是错觉增量模型为主观相等点PSE提供了度量错觉效果的显性表达式,揭示目标轴与错觉增量的线性关系。本文不仅从模型的角度对Müller-Lyer错觉提供了数量化支持,也为人们认知Müller-Lyer错觉现象提供了实证研究。4.针对感知判断中极值问题,证明了平稳和非平稳情形下,多维弱相依正态随机向量序列最大值与最小值的几乎处处收敛性（最大值或最小值的几乎处处收敛是一种特例）。为了验证中心极限定理适用性,本文构造一个满足定理条件的非平稳高斯向量序列,利用随机模拟的方法形象化的验证了几乎处处中心极限定理并刻画了收敛速度。