基于静息态功能磁共振成像技术构建的人脑功能网络是一个动态变化的复杂网络系统,近些年来研究者们尝试从复杂网络和系统动态特性的角度对静息态功能磁共振成像数据进行分析,目标是寻找和发现脑功能网络的状态变化规律。很多基于机器学习算法的研究发现,在整个静息态功能磁共振成像数据采集过程中,基于脑网络构建技术得到的动态脑网络在不同时间点上会呈现出几类不同的状态及特征。但在对动态脑网络的特征辨识过程中,无论是状态观测窗口的设置、阈值选取的标准、脑网络向量化方法还是网络的相似性度量方法,都有可能对脑网络系统的动态特征辨识结果造成影响,但是目前对这些关键技术及影响的综合研究还不多。针对以上现状,本文主要对动态脑网络系统特征辨识过程中的关键技术展开了调研和分析,在基于滑动窗口技术的动态数据分析方法的基础上,重点对采样点状态观测窗口内的脑区相关性分析方法、动态脑功能网络构建过程中的阈值选取方法、不同时间点的脑网络向量化方法以及网络的相似性度量方法展开了研究。研究分析了多种相关性分析方法对全脑脑区之间的功能连接表达的完整性和时间复杂度,为状态观测窗口内相关性分析方法的选择提供了依据;给出了一种基于小世界性和完整性的动态脑网络阈值确定方法,为动态脑网络构建过程中的阈值选取提供了理论依据;给出了一种动态脑网络特征向量化方法及加权拓扑重叠系数相似性度量方法,为动态脑网络特征的辨识提供了一种有效的表达方法。在以上关键技术研究基础上,使用人脑公开数据集中的静息态功能磁共振成像数据为对象展开实验,应用基于密度的DBSCAN聚类算法完成了基于上述特征辨识及表示方法的动态脑网络在不同时间点上的状态聚类。结果显示,与其它方法相比,本文方法能够更清晰地表达脑网络在特定时间点上的特征,更有效地度量脑网络在不同时间点上的相似程度,尤其是在特征的辨识过程中,脑网络的时间属性得到了有效的保留,从而为进一步深入研究脑网络的动态属性和演化过程提供了基础。