视觉是人类感知复杂生存环境最重要的感官通道。研究大脑视觉系统信息处理计算模型,对于理解视觉表征的功能组织方式、促进视觉类脑计算和视觉解析脑机交互技术的发展具有重要意义。在研究大脑的外部工具中,功能磁共振成像（functional Magnetic Resonance Imaging,fMRI）因其具备非侵入性和高空间分辨率等优点,已经成为获取人类视觉神经活动的主要手段。基于f MRI的视觉信息解析技术研究包括两个方向,一是构建正向编码模型以预测大脑活动,二是构建反向解码模型以解读大脑活动。近年来,以卷积神经网络（Convolutional Neural Network,CNN）为代表的深度神经网络（Deep Neural Network,DNN）模型,在视觉信息解析技术研究中得到广泛运用。与计算机视觉中Image Net百万级的数据样本规模不同,现有最大规模f MRI视觉实验数据集也只能达到千级样本量,无法满足依赖大样本量才能实现强大非线性拟合性能的DNN的需求。如何在有限样本量下充分获取并利用视觉信息,提升编码预测和解码重构性能具有重要的研究意义。迁移学习是一种利用源域的模型和知识来提升目标域网络性能的学习方式,是深度学习领域针对小样本问题的有效解决手段。本文围绕“如何利用迁移学习提升视觉信息解析模型性能”这一中心,从“视觉任务迁移”、“视觉皮层脑区迁移”和“视觉编码信息迁移”三个方面展开研究,探索通过不同迁移学习方式构建视觉信息解析模型,提升编码预测和解码重构性能。主要工作如下:1.基于自监督视觉任务迁移的视觉编码模型研究。生物视觉系统具有显著的无监督学习特性,目前基于视觉任务迁移的编码模型研究主要采用有监督方式训练的深度网络模型,与生物视觉系统存在明显差异。针对此问题,本文构造了基于对比式自监督视觉任务迁移的视觉编码模型。深度网络中的对比式自监督模型不依赖外部标签,可以直接利用样本间的对比信息提供监督进行学习。本文首先利用对比式自监督模型Sim CLRv2的编码器模块提取刺激图像特征,然后训练特征到大脑视觉响应的线性映射模型,实现对大脑活动的预测。实验结果表明,对比式自监督模型可以有效预测大脑腹侧视觉流体素响应,且相比于有监督模型,在V1、LOC和FFA视觉区展现出显著优势。2.基于视觉皮层脑区迁移的视觉编码模型研究。在层次化视觉信息加工模式下,相比于低级视觉区,中高级视觉区编码模型性能受数据样本规模和加工特征的不确定性影响更为严重。针对此问题,本文构造了基于视觉皮层脑区迁移的视觉编码模型。该模型借鉴大脑视觉系统递进加工的信息处理方式,将低级视觉区编码模型的卷积模块作为特征提取器,迁移至中高级视觉区编码模型,促进了不同视觉区域之间的信息迁移。本文首先为各视觉区训练一个端到端视觉编码模型,然后在低级视觉区编码模型的卷积模块基础上,添加卷积层和全连接层重新训练中高级视觉区编码模型。实验结果表明,在经典数据集上,本文采用的视觉皮层脑区迁移模型构建方法能显著提高中高级视觉区编码性能,在V4和LO编码准确率上较现有模型分别提升了4.1%和7.8%。3.基于层次化视觉编码信息迁移的视觉重构模型研究。在视觉重构模型优化过程中引入视觉编码信息可有效提升模型性能,目前基于视觉编码信息迁移的重构模型对所有视觉区采用相同的编码方式,忽略了视觉系统不同区域之间信息加工的差异性。针对此问题,本文构造了基于层次化视觉编码信息迁移的视觉重构模型,通过为不同视觉区精细设计编码模型,促进编码信息向重构模型迁移。本文首先利用预训练VGG19网络模型不同卷积模块,为V1、V2、V3和中高级视觉区分别设计训练视觉编码模型。然后设计由反卷积模块组成的重构网络,并利用有监督配对样本损失和编码器引入的自监督损失同时训练优化重构模型。实验结果表明,本文通过层次化视觉编码信息迁移,提升了视觉重构模型的性能。图像重构结果有效恢复了刺激图像的边缘轮廓、形状和颜色等信息,基于皮尔逊相关系数的辨识率较现有模型提升了1.1%。