独立成分分析法(ICA)是一种基于数据驱动的分析方法,能够将混合数据分解成各种独立分量;其中空间独立成分分析法(SICA)已经被成功地应用于分析功能核磁共振成像(fMRI)数据.与目前广泛使用的基于假设驱动的广义线性模型(GLM)方法比较,我们发现,这两种方法在处理单任务的认知实验数据中会得到极为相似的结果,但在处理多任务的认知实验数据时,ICA的分析方法可以得到GLM所无法分离出来的单个任务的激活分量.目前流行的ICA算法中,Infomax ICA应用的比较广泛.Infomax ICA算法是通过最大化从非线性传输单元出来的信息量来实现ICA分离的.在这个算法中,非线性传输函数为固定的Logistic函数,本文中我们提出了一个Improved Infomax ICA算法,通过根据输入数据自适应地调整非线性传输函数中的参数,使得传输函数更好的与不同输入数据匹配.实验证明,在结果的精度上,我们提出的Improved Infomax ICA算法在处理模拟数据和fMRI数据上要优于Infomax ICA算法.ICA可以把fMRI数据分离为CTR(consistentlytask-related)分量和数个TTR(transiently task-related)分量.CTR分量和数个TTR分量对任务分量的贡献是不同,因此应该用不同的权重来组合CTR和TTR分量的激活脑图,然后得到最后的任务分量激活脑图.在该文中,我们提出了一个ICA分析的后处理方法.首先用线性回归方法得到CTR和TTR分量各自对应的权重,然后用T检验来除去不重要的TTR分量,最后根据不同的权重将CTR分量和TTR分量组合成总的任务分量,得到任务分量的激活脑图.实验结果显示,经过后处理得到的任务分量激活脑图更精确.