疼痛是临床最常见的症状之一,准确的疼痛测量是进行临床疼痛诊疗的关键前提。但临床上依赖患者主观评分的疼痛测量往往不可靠或不可行,因此迫切需要发展基于人体生理信号的客观疼痛评估手段。从功能磁共振(Functional Magnetic Resonance Imaging,fMRI)信号中利用机器学习解码疼痛是一个新兴的研究方向,被认为有潜力提供一个相对客观准确的疼痛评价指标。然而疼痛及其诱发的fMRI活动均呈现显著的个体差异,这使得个体间的特征、标签、和模型都呈现很大不同,并最终导致跨个体疼痛预测的性能严重下降。现阶段对基于fMRI疼痛解码个体差异的研究仍较少,能有效克服个体差异影响的疼痛解码方法仍欠缺。本论文围绕疼痛解码个体差异这一问题,将研究以下三部分内容。首先,发展一个基于偏最小二乘法的多元回归模型,从单试次疼痛诱发fMRI活动中定量预测疼痛强度。其次,根据此模型全面量化疼痛感受的个体差异和fMRI的个体差异对跨个体预测误差的影响,并揭示与跨个体预测误差相关的脑区。第三,进一步发展一种新型的基于监督聚类的跨个体疼痛预测方法,该方法可根据测试数据特性自动选择训练数据集群以提高跨个体疼痛预测的准确性。本研究为精准客观个性化的疼痛评估技术打下一定的理论和技术基础,并推动精准疼痛诊疗等相关领域的发展。