功能磁共振成像技术具有无创检测,空间分辨率高等优点,目前被广泛应用于脑科学的研究。功能磁共振数据中包含大脑活动相关的信息,这些信息对于脑功能的研究具有极其重要的意义。但是,必须借助相应的数据分析方法,才能获取这些有用信息。　　 目前功能磁共振的分析方法主要分为两大类,一类是基于模型驱动的方法,一类是基于数据驱动的方法。模型驱动方法依据血液动力学模型及假设检验来检测激活区,以通用线性模型为代表,其应用广泛,但需要对统计量进行假设,依赖详细的实验设计参数作为先验知识。数据驱动方法仅依靠数据本身的信息来对功能磁共振数据进行分析,所以更易用来探索未知信息,但是此类方法也存在激活区的选择需要靠辅助手段等不足。所以,如何提高数据分析的准确性需要做进一步研究。　　 功能磁共振信号中普遍存在基线漂移现象,会对分析造成影响。现有的基线漂移校正方法多基于统计学模型假设,这类方法存在假设合理性及参数选取的问题。　　 在对功能磁共振信号形态特征进行深入研究的基础上,提出了一种新的基线校正方法。该方法主要是依据数学形态学原理,利用功能磁共振信号的形态特征,设计了一种形态滤波校正方法。应用模拟数据和真实数据对新方法进行了测试,并与SPM软件及GIFT软件所提供的漂移校正工具进行了比较。测试结果表明:该方法能有效地校正功能磁共振信号中存在的基线漂移,而且在非线性漂移校正中显示出更好的稳定性。该方法不仅能同时校正线性和非线性漂移,而且不需要统计模型假设。　　 通过分析功能磁共振信号中刺激响应的形态特征,设计了用于激活区检测的数学形态学方法,该方法利用结构元素探测激活信号的形态特征,从而确定激活信号。经模拟数据和真实数据测试表明,该方法能有效地检测出激活区位置,如果与其他数据驱动方法串行使用,可以降低现有方法的计算代价,在一定程度上提高准确性。