人脑是人体内外环境信息获得、存储、处理、加工和整合的中枢,揭示人脑的奥秘是人们一直以来的追求与梦想。随着各种新方法、新技术在脑研究领域的应用,相关实验数据大量产生。仅仅对这些数据进行简单的存储、查询和计算,根本无法挖掘出背后隐藏的大量信息。因此,必须用数据挖掘的方法以及先进的信息学工具,对实验数据进行分析、处理、整合和建模,从而发现新的规律,揭示脑认知活动的深层机制。脑功能磁共振成像(functional Magnetic Resonance Imaging,fMRI)是近年来用于认知研究的重要技术。本文在对脑功能磁共振成像数据分析处理研究的基础上,探讨了基于fMRI图像的脑词汇认知状态识别方法。本文的工作主要从以下三个方面展开。针对fMRI图像的配准问题展开了研究。由于主客观原因的存在,实验获得的时间序列的fMRI图像并不能完全对齐,而认知实验中的统计分析都是基于同一部位的,因此必须对图像进行配准。本文给出了一种基于云模型改进的粒子群优化的fMRI图像配准方法,并用该方法进行了模拟的配准实验。结果表明,该方法较使用标准的粒子群算法收敛速度快,配准精度高,可以较好地解决fMRI图像配准问题。研究了fMRI图像的特征抽取方法。实验获得的fMRI图像往往含有数十万个体素点,表示成向量的形式后维数也具有同样的数量级,这很不利于分析研究。因此,必须用尽可能少的变量表征原图像所蕴含的信息。本文给出了一种基于主成分分析的fMRI图像特征抽取方法。用该方法对fMRI数据进行特征提取后,可以将原来图像的体素信息用极少数量的主成分(通常都在10以内)来表示,且维数可以根据选取的主成分个数自由控制。在前面工作的基础上,构建了一个基于SVM的脑主被动词汇认知状态的识别模型。实验表明,对单个被试者,模型的平均识别率为89%,对多个被试,平均识别率为83.5%。与已有文献中的方法相比,本文的优势在于提取特征向量的时候不需要知道感兴趣区域的所在,不需要先验知识,并且可以获得同样好的识别效果。