运动想象数据的分析处理对于脑机接口等技术至关重要。相较于目前常用的运动想象脑电信号,本文对时空复杂度更优的运动想象fMRI数据进行数据挖掘,旨在挖掘出运动想象fMRI数据中的脑功能信息。本文通过设计运动想象实验采集数据,通过脑科学研究方法提出猜想,对激活程度不同且关联较强的任务态数据进行分类模式的研究。本文主要进行了如下两个方面的研究:1.针对激活程度相当的任务态,提出基于BOLD时间序列的分类模式。根据双样本t检验结果定义感兴趣体素VOI并提取时间序列建立数据集,为实现支持向量机SVM分类器参数寻优引入粒子群算法PSO,构建PSO-SVM模型,同时训练决策树和朴素贝叶斯分类器作为横向对比。PSO-SVM分类器分类准确率可以达到86%以上,证实了该分类模式的可行性。2.针对激活程度不同且关联密切的任务态,提出基于动态功能连接的分类模式。根据双样本t检验结果定义VOI,对VOI进行动态功能连接并二值化处理,基于遗传算法和粗糙集理论提出了fMRI属性约简算法GA-RS,对fMRI原始数据集进行降维建立分类数据集,构建PSO-SVM模型,同时训练决策树和朴素贝叶斯分类器作为横向对比。通过降维将分类精度提高了 10%左右,且PSO-SVM分类器分类准确率可以达到87%以上,证实了该分类模式的可行性。本研究将脑科学与数据挖掘技术相结合,其研究成果为运动想象功能区定位提供了参考依据,为脑机接口等技术中fMRI数据的应用提供了分析思路和理论基础。