随着脑影像技术的快速发展,可利用的数据量与日俱增,对多数据集的组分析发展成为大脑成像数据分析中的一个重要课题。组分析主要关注于从多个数据集中提取群体的共性特征和差异特征,其优势在于利用大数据得到可靠的分析结果。目前组分析技术存在两个问题:一是多次数据降维导致的定阶问题,二是先验信息利用不充分的问题。本文分别针对这两个问题给出了改进思路,并提出了优化的组分析方法,主要工作总结如下:提出维度优化概念并应用于组分析流程改进,将降维后的维度旋转到优化方向,提高组分析算法的准确性和鲁棒性。由于多数据集的大脑成像数据维数较高,组分析中通常需要在盲源分离前进行多次的降维操作,而保留维数的多少极大的影响盲源分离模型的有效性和鲁棒性。本文提出的算法借鉴了信号强度最大化技术的思想,对保留维度进行旋转,使优化后的维度具有最强的信号强度和平滑性,从而充分利用有用信息。仿真数据实验结果表明在个体水平引入维度优化可以显著增强算法的准确性,而在组水平引入维度优化可以显著提高算法的鲁棒性。在真实数据实验中,新方法提取了更为可靠的任务相关成分,体现了算法在实际应用中的优异性能。根据先验信息改进组分析模型,利用实验范式的时间特征增加约束,增强了组分析算法的激活区检测能力。因为任务/刺激响应信号的幅度变化必定发生在任务/刺激发生之后,所以刺激/任务前后激活区会产生显著的BOLD水平差异,利用这个特性,可以对典型相关模型增加弱约束,从而指导激活区的提取。在仿真数据上进行的对比实验中,相比于无先验信息约束和强约束的传统算法,本文提出的算法取得了更高的准确性和在噪声环境下的稳定性,且能够在多任务混合的大脑成像数据中独立检取各任务激活区,显示出了比传统方法更强的激活区检测能力。真实任务态大脑成像数据实验中,新算法提取出的激活区域更符合预期,提取的任务相关时间信号与实验范式符合的更好、不同被试间一致性更高,且成功提取到了暂态任务相关成分。