人脑是现如今宇宙中所能检测到的最为丰富的组织之一,且大脑的高级功能也是自然界中活动方式最为丰富的。其丰富性表现为其存在大数量的神经元和神经元之间的连接,因此探索和研究大脑的工作方式已经成为了当代自然科学中的重大挑战之一。近些年来,构建脑网络的必要性及重要性已经被众多国家的科学研究者所注意和意识到。本研究紧紧的围绕脑网络这个热门且极具探究价值的研究方向,更深层次的研究静息态功能脑网络的构建、脑网络的可信度、脑网络的重构等问题。本文将复杂网络的思想运用脑网络的研究中,通过链路预测算法来优化脑网络的可信度。本文主要创新工作如下:第一,链路预测指标在功能脑网络中的预测准确度评价。按照链路预测的思想将脑网络的边划分为训练集和测试集。通过链路预测评价指标AUC和精确度来比较CN、PA、RA、随机分块模型这四项链路预测算法在脑网络中的链路预测准确度,结果表明随机分块模型的预测准确度优于其余的指标。第二,基于随机分块模型的重构方法在脑网络中的可行性验证。将采集数据所构建的脑网络认为是不存在误差的真实网络,对该真实网络进行随机的删边和增边,得到存在误差的观测网络,利用随机分块模型对观测网络进行重构,得到重构网络。计算观测网络和重构网络属性与真实网络属性之间的相对误差来进行可行性验证,结果表明,基于随机分块模型的网络重构可用于静息态脑网络。第三,基于随机分块模型的脑网络可信度优化及验证。通过重测信度来度量脑网络的优化性能,对采集数据构建的脑网络进行重构,通过计算观测网络与重构网络属性的重测信度来判定重构是否能优化脑网络的可信度,结果表明对于重测信度低的脑网络,通过重构可以在一定程度上提高脑网络的重测信度,从而提高脑网络的可信度。本文将链路预测的思想运用到脑网络的可信度研究中,通过比较链路预测指标在脑网络中的预测准确率,找到了较为适合脑网络链路预测的指标;并验证了基于随机分块模型的网络重构在脑网络中进行重构的可行性;最后将该重构方法运用到了可信度不高的脑网络中,对该类脑网络进行重构,通过重测信度来验证重构的结果,最终证明随机分块模型对脑网络进行重构,可以在一定程度上提高脑网络的可信度;这表明基于随机分块模型的网络重构方法被运用于脑网络的可信度优化研究中取得了较好的效果,且对探索脑网络数据测量方式、脑网络构建的计算方法具有一定的参考价值。