对大脑各种功能实现的探索一直是热门研究领域,这对于研究大脑的工作机制甚至各种疾病原理有着重要意义。此外,各种非侵入式大脑成像技术的发展也为人类对大脑的研究提供了各种新的可能,其中功能磁共振成像（functional magnetic resonance imaging,f MRI）技术因其优越的条件成为目前研究大脑最有效的技术之一。功能脑网络是研究大脑在某一项功能的实现中各区域之间相互合作,并将有相关联系的区域进行一起定位的一种研究大脑功能的网络模型,功能性脑网络的构建和映射一直是脑科学中一个重要的问题。现有的研究方法有以一般线性模型（GLM）、稀疏字典学习（SDL）为代表的经典方法,也有在机器学习以及深度学习领域的各种模型。但这些方法都存在着各自的不足,例如:因基于独立性、线性等假设而存在建模偏差的问题;这些方法在模型的定义和训练中没有充分利用到先验知识、没有考虑到f MRI数据本身的特征,在一个f MRI时间序列中,不同时间点的相同信号值可能代表着不同的状态/任务或意义。基于现有方法的不足之处,本文总结了国内外发展现状,结合现有的深度学习方法提出了一种基于多头自注意力机制和遮盖训练方式的新模型（MAMSM）进行功能脑网络的构建。本文的工作主要包含以下几个部分:（1）数据的预处理:将f MRI数据进行颅骨去除、运动校正、归一化等预处理,并将其配准到标准空间。（2）模型的搭建和应用:MAMSM模型的核心由包含多头自注意力机制的多层Transformer编码器组成,在预训练时采用了遮盖部分序列的训练方式。由于预训练后编码器提取出的特征维度过大,所以添加了特征选择层对特征进行进一步处理以找到最有效的特征。将选择后的特征进行拉索回归稀疏表示后映射回原三维大脑空间进行脑网络的可视化显示。（3）对比实验:将本文提出的模型与三种现有的构建脑网络的方法进行对比实验,将结果进行多维度的比较,以此对模型进行性能的评估。本文提出的模型在本领域具有一定创新性。首先,结合f MRI数据自身特点使用多头注意力来估计体素信号在不同时间点的具体状态;其次,本文将文本序列建模中的遮盖预训练方式应用在MAMSM模型中对f MRI数据进行预训练,是对f MRI数据处理领域的首次尝试,并且在遮盖处理时采用了连续和离散两种方式;最后,本文充分利用先验知识定义了一个更适合f MRI数据的新损失函数,用于模型的后续训练。本文将模型应用在人类连接组项目（HCP）数据中,提取出特征矩阵与功能脑网络。为评估其性能,将本文方法与GLM、SDL等方法进行了对比实验,实验结果表明,本文模型提取出的特征矩阵与功能能脑网络的性能较对比方法有显著提升,证明了本模型的有效性。