长期训练可以有效的提升人们的认知控制能力和行为表现,这一过程往往伴随着大脑结构和功能上的变化,然而这种变化和训练的效益之间的关系还有待发现。近年来,随着磁共振成像和脑网络技术的不断发展,越来越多的研究人员致力于利用脑网络方法来探索训练对大脑结构和功能改变的影响。本文将利用功能脑网络方法对经过两种不同训练后的被试的脑网络进行全局属性分析和分类研究,主要工作如下:(1)将对照组、记忆宫殿训练组和N-back训练组训练前后在静息态下和执行四种不同的视觉认知任务下的功能磁共振数据(fMRI)进行预处理。我们首先根据模板提取各个脑区的时间序列,并通过计算脑区时间序列之间的相关性来构建功能脑网络。最后使用图论方法分析三组被试在五种情况下的训练前后功能网络全局属性差异。(2)对构建的功能脑网络各属性进行特征选择,我们分别采用基于平稳选择的稀疏线性回归的特征选择算法(SS_LR)、随机子集特征选择算法(RSFS)和互信息得分特征选择算法(MI)算法完成特征选择,并利用嵌套式交叉验证SVM分类器实现分类。讨论不同训练组在执行不同任务下的脑网络分类效果。脑网络分析结果表明,对照组被试在静息态、N-back任务和Stroop任务的前后测脑网络在全局属性整个阈值化范围内都没有达到统计学意义上的差异。记忆宫殿训练组在静息态脑网络和四种任务态脑网络上的全局属性差异分析显示,在部分阈值下前后测差异达到统计学上的显著性。N-back训练组在部分阈值化下,静息态、N-back任务、Stroop任务和词汇记忆任务的脑网络前后测全局属性达到显著性差异。总体来看,脑网络的全局效率、局部效率和平均聚类系数随着阈值化的增强而上升,相反小世界属性和特征路径长度则随着阈值化的增强具有下降的趋势。N-back训练组在N-back任务和Stroop任务下的脑网络属性上,训练后比训练前的全局效率、局部效率和小世界属性数值要高。记忆宫殿训练组则在静息态的前后测脑网络属性上发现了特征路径长度的缩短。脑网络分类结果表明,对照组的分类效果最差,记忆宫殿训练组和N-back训练组都有较好的分类性能,并且RSFS特征选择算法的分类性能最好。这说明训练组被试前后测的脑网络均发生显著改变,而对静息态脑网络的前后测分类结果比任务态脑网络的分类结果好且稳定,这说明训练引起的大脑功能性改变在静息态时就能够很好的体现出来,长时间的训练对大脑功能和结构上的改变是一种稳定性的变化。而通过对比记忆宫殿训练组和N-back训练组对于Stroop任务和情绪调节任务的前后测脑网络分类结果可知,经过同等时间的两种训练方式训练后,N-back训练对于被试执行Stroop任务和情绪调节任务的提升要大于记忆宫殿训练,这说明N-back训练的提升效果可以明显的转移到同样需要认知控制能力的Stroop任务和情绪调节任务,相反记忆宫殿训练的效果就很难转移到Stroop任务和情绪调节任务上。