功能磁共振成像(functional magnetic resonance imaging,fMRI)数据分析一直是认知神经科学领域的研究热点之一。fMRI数据分类作为fMRI数据分析的一个重要子任务,已受到国内外学者的广泛关注。但目前多数工作采用单变量分析方法,缺乏在fMRI数据上深入细致的研究,更忽视了fMRI具有高维和时序变化的特征,使得分类准确率受到了很大的影响。为此,本课题结合fMRI数据自身的特性,围绕如何选择特征和设计合适的分类器这两个关键科学问题开展如下研究:(1)针对fMRI数据的高维问题,本文通过加入特征之间的空间交互信息,提出了基于正则化互信息和fisher判别率的特征选择算法。算法首先根据fMRI数据特征之间的空间相关性,采用正则化互信息计算特征与特征之间的相关性。然后,利用fisher判别率进一步选择出区分认知状态能力强的特征,以发现能够反映大脑思维模式的最佳特征集。在两个公共fMRI数据集上与其它一些经典特征选择方法的实验结果表明,新算法在多项指标上表现出了较好的性能。(2)针对目前方法忽视fMRI时序变化特征对分类性能造成的不良影响,本文提出了基于fMRI体素值时序差异和集成特征选择的支持向量机分类方法。首先,在特征抽取中采用体素值时序差异的方法提取特征,利用top-k策略得到初始集。然后,在初始集中通过基于统计学的集成特征选择方法选择特征,获得最优子集。最后,对最终的最优子集利用块坐标下降的支持向量机分类模型进行分类。在任务相关数据集上的实验表明,新方法能有效解码脑认知状态,与其他一些方法相比具有明显的竞争力。论文设计并实现了两种新颖的fMRI数据特征选择方法和分类方法,丰富了fMRI数据分类的研究,有助于神经认知的进一步发展。