认知神经科学的研究是为了揭示大脑的认知原理，而通过功能磁共振成像技术可以比较直观的观测出大脑在受到外界刺激时脑功能的变化。机器学习方法能够从脑活动记录的图像数据中提取大脑完成特定任务的有效信息，为探索大脑的奥秘奠定基础。大脑核磁共振数据本质上是四维的张量数据，传统的算法在处理之前都是先将其展开为一维的向量数据，这样不仅破坏了数据的内在结构与潜在信息，而且也给后续的研究带来了麻烦。为了克服向量化数据所带来的缺点，本文提出了一种新的基于张量模式的稀疏非负张量分解(Sparse Nonnegative TensorFactorization，SNTF)算法用以分析和处理核磁共振图像，同时结合支持向量机(Support Vector Machine)的特点，完成对大脑特定视觉的认知状态的判定。SNTF是一种大规模张量低秩近似表示技术，能从大规模、复杂的数据(如fMRI数据)中寻求数据的潜在特征信息，同时l1范数正则化和非负性的约束使得它分解的特征矩阵和结果张量的数值都是稀疏、非负的。这不仅提高了运算效率，减少了运算量，且数据符合真实的物理属性(可解释性强、局部特征明显等)，模型符合人们对于客观世界的认识规律。本文采用基于稀疏非负张量模式的机器学习方法，先对大脑核磁数据进行分析处理，把fMRI预处理后的认知数据当成一个大张量，从张量的层面上构建高阶非负张量模型，然后对fMRI认知数据每个维度上进行特征降维，从而得到维度较小的稀疏、非负的特征张量，最后结合支持向量机的特点，有效地实现了大脑特定视觉认知状态的分类判定。实验结果表明，与TUCKER、PARAFAC算法相比，SNTF算法表现出较高的降维效率；与NMF相比，SNTF提取的特征具有较强的稀疏表现。在分类判定中，SNTF+SVM方法表现出较好的分类识别效果。