图像的两大基本特征是颜色和形状,研究表明大脑对颜色和形状的处理是分开进行的,为了最后识别图像大脑必须把颜色和形状最终进行特征绑定。脑认知一直以来是人们的研究热点,最近人们对人类的视觉系统进行了大量的研究工作,让人们对视觉的认识更进一步。然而人们对视觉的研究中忽视了图像低阶特征的存储捆绑。本论文旨在研究大脑对形状颜色特征捆绑的过程,对此过程进行动态因果模型建模。本论文的研究工作在图像低阶特征层面揭示视觉的形成,对人类视觉的探索和推动计算机视觉发展都有非常重要的意义。对于颜色形状特征捆绑脑认知网络的DCM建模研究,本论文做的主要工作及创新点如下：1)采用动态因果模型建模方法对采集到的关于颜色与形状特征绑定的fMRI数据进行建模,通过贝叶斯模型选择找到了形状颜色特征绑定的最优模型。对建模过程进行了分析找到了该建模方式的缺陷与不足。2)将经典遗传算法用于优化求解动态因果模型,并且证明其是适用的。然而经典遗传算法用于DCM寻优时会有后期寻优效率低下的缺点。3)提出了改进的两阶段遗传算法用于DCM寻优。将两种遗传算法在一组公用的成熟数据集上设计实验进行对比,证明了双阶段遗传算法相对于经典遗传算法在DCM寻优中效率更高、过程更稳定并且寻优结果更优异。4将两种算法都在形状颜色特征绑定的数据集上进行动态因果模型寻优建模,为形状颜色特征绑定建立了更优异的模型。本论文中的双阶段遗传算法能够很好地对动态因果模型进行寻优建模,相对于以往的动态因果模型建模方法具有更人性化、不需要先验知识的指导、易于操作等优点,最重要的是能够寻找到比以往建模方法更加优异的模型。