贝叶斯网络(Bayesian Network,BN)近年来被引入到fMRI数据有效连接的研究中,它通过计算脑区间的条件依赖关系来探索大脑的有效连接模式。由于它可以作为一种完全数据驱动的全局网络学习方法,慢慢受到了越来越多的关注,并引入到了静息态fMRI的研究中。然而BN忽略了fMRI数据中的时间关系,只能得到脑区间的即时连接,加上他的无环形假设及可能存在的等价性问题,大大限制了BN的准确性和有效性。Rajapakse在2007年提出了动态贝叶斯网络(dynamic Bayesian Network,DBN)来解决这些问题,DBN基于平稳马尔科夫假设,将BN的结构拓展为两层相邻时刻的节点,并限制连接不能由当前时刻指向历史时刻。然而,他提出的方法将fMRI数据进行了离散,丢失了fMRI信号的大量有效信息,导致最后学习出的有效连接模式的准确性大大降低。为了克服这一问题,本文提出了的一种连续DBN算法,它基于BIC评分准则和高斯假设,采用K2方法寻找最后DBN结构,最后还引入了逐步回归检验方法对模型进行验证。然后采用模拟数据对它的稳健性和fMRI数据性能进行了分析,组后将其应用到静息态fMRI默认网络的的应用中。　　模拟数据的结果显示,这种连续DBN算法对固有噪声和额外白噪声都有很好的稳健性,发现随着这两种噪声方差的变化结构学习和参数学习的准确率基本不变。另外,对于简单的自回归模型下的模拟数据,发现较高的信噪比下,时间长度大于30时DBN学习效果就可以得到保证。而加入HRF函数和采样会改变模型中的噪声类型和连接系数矩阵,对DBN学习的影响较大。在HRF点数越少,采样间隔越短,DBN的学习效果越好。　　将连续DBN应用在静息态下fMRI默认网络的研究中,发现默认网络核心系统中的脑区间存在紧密的关系,出现了环形的信息交换方式。两个系统间存在自下而上的由非核心系统到核心系统的信息传递模式。并且,回扣带回(PCC)在这种模式中扮演了重要的角色,是所有信号的汇聚点,可以看做是信息的整合中心。