脑功能磁共振影像(functional magnetic resonance imaging,fMRI)分析领域一个核心问题是准确地检测出来图像的显著激活和变化的区域。然而,由于fMRI数据受各种噪声的影响很大,噪声来源包括头动伪迹(Motion artifacts)和图像采集时的伪迹(Image acquisition artifacts)等,这些噪声的幅值和真正的激活信号具有可比性,它们的数量级相差不大。如果使用检测效率不太严格的统计分析方法,那么噪声信号(也称假正值,假阳性)很有可能就混杂在了检测到的激活信号中;反之,如果使用的统计分析方法的检测效率过于严格,那么可能真实的激活信号也会被误当作噪声信号而检测不到。所以要想深入理解fMRI数据和研究大脑活动的机制,一个行之有效的统计分析方法是十分重要的。一个最理想的统计分析结果就是:最大程度的检测到激活信号,同时又能排除噪声干扰。然而当前fMRI领域常用的基于随机场理论的团簇检验方法,要求数据服从随机场分布,而且在实际应用中对强度阈值和空间平滑度都有严格要求。然而空间信息复杂的磁共振成像数据很难满足上述所有假设,所以目前的团簇检验模型在分析磁共振成像数据时的可靠性难以保证,这严重影响了脑科学研究的可信度和规范性。针对这一问题,本论文研究的目的是找到一种针对脑功能磁共振图像行之有效的统计分析方法,即基于神经网络的团簇检验模型。和传统检验方法相比,该模型利用了神经网络强大的拟合能力,不再受限于随机场理论的基于数据分布、平滑度、强度阈值等假设。输出总体误差率(family wise error,FWE)和图像体积、平滑度、强度阈值、团簇大小之间是通过大量的模拟仿真计算建立起来的一一对应的关系,给定图像体积、平滑度、强度阈值、团簇大小,即能对应出正确的FWE,而不像随机场理论那样需要经过复杂且不十分合理的推理计算。和基于随机场理论的团簇检验模型相比,本论文提出的基于神经网络的团簇检验模型在一些实验条件下,都可以明显降低统计结果的假阳性。可显著提高基于脑功能磁共振成像技术研究脑科学结果的可信度,对深入探索大脑功能机制具有重要意义。