功能磁共振成像(functional magnetic resonance imaging,简称fMRI)技术使得人们对大脑内部运作行为进行无损伤的探测成为可能,此项技术着重反映脑神经元功能活动情况,在脑功能定位以及脑区确定方面具有巨大潜力。fMRI采集的数据记录一段时间内,对于特定刺激事物,大脑不同区域产生特定的反应变化,明显的特点是区域多,数据量大。因此,对收集的数据进行切实有效的分析化简,才能深度发掘大脑行为变化。为解决脑数据数据庞大以及不精确、不完全从而导致难以分析的问题,本文利用粗糙集理论解决模糊不确定知识,并且针对粗糙集理论的基本原理与属性约简方法进行深入研究,其核心内容之一就是在保证决策能力不变的情况下进行知识约简,得出规则。为了克服粗糙集属性约简算法约简单一,执行时间长,很难获得最小约简的缺点,本文将群搜索优化算法(Group Search Optimization,简称GSO)应用于粗糙集理论中,提出一种基于群搜索优化粗糙集算法—基于多知识抽取的属性约简方法。它是在参考动物界群体特性的基础上的一种群体智能算法。类似于动物群体觅食行为,算法通过群体内不同个体共享信息,寻找搜索空间内的最优值。通过将算法与粒子群约简算法在UCI数据集上进行比较,证实本文算法约简更优。另外,本文介绍了关于功能磁共振成像原理以及脑数据获得的相关条件与流程,实验所用数据来自受试者关于记忆想象实验的fMRI脑数据,对受试者大脑进行人为的外界刺激,根据外界刺激类型的不同提出了三种分析模型,同时将本文算法应用到对大脑不同区域的脑数据进行维度约简,进而发现在外界实施不同刺激的情况下,相应脑区的激活程度差别,识别激活脑区。