大脑控制着人体与外界环境的信息交互及认知活动,掌管着感知、思维、记忆等高级活动。对大脑组织功能的探索是近年来研究的热点与挑战。传统研究方法通常使用间接手段观测大脑的活动状态,并且依赖血液动力学响应函数等模型假设或其他数学、统计学假设进行分析研究,对大脑响应过程的研究仍存在局限性;此外,大脑神经元数量众多,扫描采集数据量巨大,常依赖感兴趣脑区、数据降采样等方法缩小数据规模,在全脑尺度对大脑响应活动进行建模是研究的难点。针对当前研究中存在的问题,本文基于任务态功能磁共振成像数据,将深度学习方法与传统机器学习方法相结合,在全脑体素信号上对大脑自然响应活动过程进行建模,研究了时间维度和空间维度上的大脑活动状态,提取出了精细的大脑功能网络及多样化的响应活动模式。针对大脑响应活动复杂、现有模型依赖于理论假设的问题,提出了一种深度循环神经网络模型,提取大脑自然响应过程中的功能网络和响应活动模式。该模型使用数据驱动的方法,不需要依赖理论响应模型的假设,从实验设计的任务刺激出发,对超过22万个体素的全脑信号进行直接建模,使用循环神经网络提取大脑时间序列中的动态依赖关系,使用全连接层构建大脑功能网络的空间映射关系。研究结果表明,深度循环神经网络模型可以较好地模拟任务刺激下大脑的自然响应过程,以空间和时间结合的方式分析大脑的功能网络和响应活动。针对大脑功能网络复杂、现有模型缺少精准检测方法的问题,提出了一种有监督字典学习及稀疏编码方法,检测大脑功能网络及自发活动网络。该方法使用深度循环神经网络模型提取的大脑响应活动模式作为数据驱动的回归子,设为预定义的固定字典部分,在训练过程中保持不变,只更新字典的剩余部分,以提取大脑响应活动的功能网络,并从自动更新的字典部分中提取其他与响应活动同时存在的大脑自发活动网络。研究结果表明,有监督字典学习及稀疏编码方法可以较好地检测大脑响应活动中个体化、特异化的功能网络及潜在的自发活动网络。针对大脑动态响应模式多样化、现有模型缺少有效估计手段的问题,提出了一种深度循环自编码器模型,提取大脑活动的时序特征并预测动态响应模式。该模型在不依赖任务刺激先验知识的条件下,结合深度循环神经网络和自编码器模型的优点,对全脑信号进行自编码重建。深度循环自编码器能够作为特征提取模型自动检测大脑响应活动的时序动态特征,同时可以作为生成模型预测多样化的动态响应模式。研究结果表明,深度循环自编码器模型能够以无监督自编码的方式提取出大脑活动的时序特征,并反映出不同时延的大脑动态响应模式。