研究大脑皮层中注意相关的脑网络机制具有重要的学术价值。为描述大脑皮层之间的相互作用，神经学家们提出了大量的脑电网络的分析方法，如互信息量、互相关、同步似然等。这些脑电分析方法只适合于分析无方向的功能性脑网络(functional networks)，对网络节点之间的相互影响或信息流向却无能为力。而基于格兰杰因果性(causality analysis, GC)的部分定向相干分析(partial directedcoherence，PDC)能成功的揭示皮层相互作用的方向和强度。因此，本文借助PDC的分析方法，试图描述注意相关的大脑皮层之间的网络。本文设计了两组不同的注意品质实验，并采集了19名志愿者的脑电信号。通过局域均值分解算法（local mean decomposition, LMD）提取了前四个分量作为特征向量，并采用了支持向量机（support vector machine, SVM)的方式实现分类，从而识别出了脑电信号中注意相关的导联。本文以选择的导联作为网络节点，对每名被试的脑电数据建立了多通道自回归模型（multivariate autoregressive model，MVAR），并借助PDC的方法，在Delta、Theta、Alpha、Beta频带上分别建立了注意相关的皮层因效性网络(effective networks)。最后，本文从图论的角度出发，研究了各个频带上因效性网络的基本统计特性，并与同维度的随机网络进行了对比。本文的研究表明（1）表征注意和非注意的导联主要集中在额部和顶部。（2）不同注意品质下，皮层网络连接不同。注意状态下皮层间存在更频繁的信息流动。（3）不同频带下，注意相关脑网络的效率不同。在Beta频带上，局部效率相对Delta、Theta、Alpha更低，但是全局效率较其它频段更高。（4）从两组注意品质实验中得到的皮层连接网络与同维度的随机网络相比，后者具有更高的全局效率和局部效率。