近年来,以深度卷积神经网络（Deep Convolutional Neural Network,DCNN）为代表的人工智能技术迅速发展,在图像识别等特定领域的性能已经接近甚至超过以人类为代表的灵长类动物。然而,在目标/背景复杂多变、遮挡和干扰等复杂开放场景下,DCNN模型的性能容易急剧下降,而灵长类动物仍能快速、准确、稳定地识别目标,这表明现有的DCNN模型在数据驱动的模式下,还很难像灵长类动物大脑一样在复杂开放环境下建立起通用鲁棒的目标表征。大脑是灵长类动物行为和认知的控制中枢,利用视觉专家的大脑响应为复杂场景下的图像解译提供有益的指导信息,将图像内容的感知与解译过程同大脑的认知能力相结合,可以实现不同来源信息的交互、整合,融合各自所长,构建新型的智能模式。本论文针对复杂开放场景下的图像分类任务,结合机器智能和生物智能的优势,研究“脑在环路”建模,“脑不在环路”应用的脑机混合智能计算方法。本论文的研究内容和创新点主要包括以下三点:（1）大脑腹侧视觉通路与DCNN的图像表征差异分析。为了针对性地建立脑机混合智能计算模型,本论文选取大脑负责视觉认知功能的腹侧流脑区响应作为视觉专家大脑对目标的大脑响应表征,研究了大脑腹侧视觉通路和DCNN对于图像信息的编码差异。首先,利用表征相似性分析和神经编码度量的方法分析了腹侧视觉通路和DCNN对图像信息的编码差异;然后,基于表征可分性分析评估了腹侧视觉通路和DCNN对图像目标和场景复杂度的鲁棒性差异。结果表明:尽管大脑响应和DCNN图像特征在整体水平上存在一定的相似性,但是DCNN图像特征很难完全解释大脑响应的表征信息,两者可能以并不完全一致的方式编码刺激图像的高级语义信息,因此在单张图像的个体水平存在编码差异,并且这种编码差异与图像的目标和场景复杂度存在一定关系。相关结论为构建脑机混合智能计算模型提供了指导意义。（2）基于信息融合的脑机混合智能计算方法。针对大脑腹侧视觉通路和DCNN在图像级的个体水平存在编码差异,为了最大化地利用大脑响应和图像特征的互补信息,本论文提出了一种基于特征可靠性的自适应脑机信息融合分类方法。通过构建特征可靠性预测模块分别预测大脑响应和DCNN图像特征在个体水平的可靠性,并根据可靠性计算融合权重,获取融合特征,实现自适应加权融合分类,其性能较单模态分类平均提升5.76%。为了实现“脑不在环路”应用的目的,本论文提出一种基于去噪自编码结构的大脑响应特征域重建方法,在推理应用阶段利用图像特征生成对应的大脑响应特征进行自适应脑机信息融合分类,其性能较单模态分类平均提升0.89%。本论文提出的基于信息融合的脑机混合智能计算方法能够利用大脑腹侧视觉通路和DCNN的编码差异,有效提升了复杂开放场景下图像分类的性能,并且适用于“脑不在环路”应用的场景。（3）基于共享表征空间的脑机混合智能计算方法。本论文探索了利用对比学习方法将大脑响应中的认知信息迁移到DCNN模型中的可行性,提出了一种基于正负样本采样的对比学习方法构建共享表征空间,引入类别信息,最大化图像-大脑响应的关联信息,将大脑响应中的认知信息迁移到公共表征空间中。该方法可以直接实现“脑在环路”建模,“脑不在环路”应用的目标,能够在有限的数据下,学习到大脑响应和图像特征之间的目标关联信息,并且显著提升了复杂开放场景下图像分类任务上的性能,较单模态分类平均提升7.43%,达到最优性能。本论文的研究为复杂开放场景下的图像分类任务提出了一种新型的混合智能计算方法,能够实现大脑高级视觉认知信息的迁移,有效地提升图像分类任务的性能,为计算机视觉和认知科学领域的交叉应用提供了一个新的研究思路。