功能磁共振成像(fMRI)能够无创获取脑活动图像数据,具有较高的空间和时间分辨率,是研究脑科学强有力的工具。然而,由于fMRI信号变化幅度非常微弱,与噪声的波动几乎一致,使得从噪声中分离fMRI信号,并进行脑激活区检测变得尤为困难。本论文针对现有脑激活区检测算法准确性低、可靠性差等问题,充分利用fMRI数据的时间和空间特征,提出了两种新的激活区域检测算法。首先在fMRI数据时间特征的基础上,提出了基于频域特征的均值漂移聚类算法(FD-MSC)。该方法将fMRI频域信息与均值漂移聚类算法相结合,采用快速傅里叶变换获得fMRI数据的频域特征空间,利用均值漂移算法对频域特征空间进行聚类搜索,获得激活区检测结果。其次在fMRI数据空间特征的基础上,提出了基于邻域特征的均值漂移聚类算法(VN-MSC)。该方法将fMRI空间邻域信息与均值漂移聚类算法相结合,采用互相关分析方法获得fMRI数据的邻域特征空间,利用均值漂移算法对此邻域特征空间进行聚类搜索,完成对脑激活区域的检测。我们分别采用仿真数据和真实fMRI数据对以上两种算法进行定量和定性评估,仿真实验结果表明,当选定合适的核宽,所提两种算法的敏感性和特异性均优于较传统的互相关分析算法(CCA)和互相关聚类算法(CCA+CA)。实际fMRI数据测试结果显示,所提两种算法同CCA与CCA+CA的结果具有良好的一致性,且所提算法的检测区域更完整。通过结果分析,FD-MSC算法充分利用数据的时间特征,适合用于检测频域表现较强的fMRI信号;VN-MSC算法充分利用数据的空间特征,适合用于检测空间域高度相关的fMRI信号。所提两种算法都具有良好的抗噪能力和高灵敏度,为fMRI脑激活区域检测提供了一种新的方法。