随着脑功能磁共振成像数据分析和处理方法的发展,探索性数据分析方法(数据驱动的分析方法)正成为脑科学研究者的新热点。探索性数据分析方法能够在没有任何先验知识的情况下,把一组样本按照其本身的相似性分成类内相似、类间有别的若干类别。动态聚类算法就是典型的探索性数据分析方法。本文在详细分析了κ-均值聚类,改进模糊c均值(Modified Fuzzyc-means,MFc)和迭代自组织数据分析算法(Iterative Self-Organzing DataAnalysis Technique Algorithm,ISODATA)三种动态聚类算法,并把小波分析引入到多步聚类分析过程中,有效提高了算法的分析效率。　　 由于在fMRI数据中,因为激活体素(voxel)的数目远小于总的体素数目,由此产生了数据的不平衡性问题。以往解决此问题的方法除了应用大脑本身的生理结构来限制体素的数目外,统计方法常被应用于去掉那些肯定不激活的体素。本文提出了一种多步聚类分析的方法来解决数据不平衡问题,先用Mfe将总的数据分成两个子集,而激活的体素总是聚在一个子集中,由此可以将需要进行分析运算的体素数目减至一半左右,再用ISODATA或κ-means聚类法进一步进行分类。这样不但可以有效的解决fMRI数据存在的不平衡问题,而且也提高了聚类分析的效率。在引入了小波分析以后,更加丰富了多步聚类分析法的内涵,可以从本质上去分析激活的物理和生理涵义,使聚类分析方法进一步得到了理论上的支持。通过对仿真数据和活体听觉功能磁共振成像数据进行多步聚类分析,结果证明了多步聚类分析是一种在没有先验知识的情况下,对包含激活信号的功能磁共振成像数据进行分类的行之有效的方法。最后,文章还从复杂度的角度分析了所得到的结果,既说明了方法的正确性,又证明了方法的分类能力。