有效连接作为脑功能整合分析中的一项重要内容,能够揭示大脑神经信号间连接关系的因果效应信息。功能磁共振成像（fMRI）和脑电图（EEG）是两类广泛应用的非侵入式脑功能成像技术,能分别提供高空间分辨率和高时间分辨率的数据表达。本文聚焦有效连接分析方法,并围绕功能磁共振成像和脑电图两类数据,开展多模态脑成像有效连接分析的方法学与应用研究。主要内容如下:功能磁共振成像的多变量时-频格兰杰因果连接分析。在本研究中,我们首次提出了时域与频域相结合的多变量格兰杰因果连接分析方法。该方法的核心优势在于:第一,采用代理数据法完成了不满足已知分布的格兰杰因果度量指标的组水平显著性检验;第二,仿真实验证明时域与频域的双重验证提高了分析结果的准确率并排除了间接因果关系的影响。在方法的应用研究方面,我们开展了特发性全面性癫痫患者核心神经认知网络间有效连接的异常模式研究。该类癫痫疾病患者遭受着长期的认知功能损伤,并且相比于正常人呈现出较高的心理与精神类疾病发病率,我们猜测,这些认知功能异常和高的患病风险有可能与病人存在的脑网络间异常的因果连接模式相关。为了验证这一假设,我们基于特发性全面性癫痫病人和健康对照的静息态功能磁共振数据,分析了两组被试在凸显网络、默认模式网络和中央执行网络间的有效连接差异。采用本文提出的方法,我们首先获得了病人组和正常对照组内的显著有效连接图谱,发现病人组相比于健康对照组建立了更少的网间有效连接。进一步,组间统计学分析的时频结果共同揭示出相比于正常被试,癫痫病人建立了从背外侧前额叶皮层到背侧前扣带回的增强的格兰杰因果连接,而时域分析还揭示出从右侧额岛皮层到后扣带回的减弱的格兰杰因果连接。这些发现为理解该疾病与认知功能异常及精神病理学高患病风险相关的脑功能结构提供了新的依据。多模态动态因果建模与贝叶斯融合。该工作探究了与单个模态相比,整合多模态EEG和fMRI数据是否能够更好地表征大脑的功能性结构。首先,基于“EEG和BOLD信号都是相同的神经元活动的可观测结果”这一认知,我们建立了一种多模态动态因果建模生成模型。随后,在这一模型基础上,我们提出了进行多模态数据融合的分析方法,即贝叶斯融合。具体地,多模态动态因果建模从相同的神经元动力学过程生成EEG和fMRI数据,贝叶斯融合则首先根据EEG数据的动态因果建模分析获得具有丰富信息量的神经元参数先验,再将其应用于随后的fMRI数据的动态因果建模分析中去获取血氧动力学参数的估计。为了验证上述方法,我们使用生物学合理的模型参数生成了失匹配负波任务范式的多模态EEG和fMRI数据集,并在此数据集上开展了动态因果建模分析与贝叶斯融合。结果显示,EEG和fMRI的贝叶斯融合方法相比于单模态分析支持效果更好的模型参数估计,这一评估反映在自由能的增加,真实信号与预测信号间更好的匹配度,以及参数后验方差的减小（说明对模型参数估计不确定性的降低）。最后,我们采用先验密度和后验密度之间的Kullback-Leibler散度（即信息增益）量化了多模态融合的益处,发现贝叶斯融合能够解决神经元参数和血氧动力学参数之间的条件相关性,从而揭示了贝叶斯融合策略能够提供更好的模型参数估计的原因。这些结果表明,贝叶斯融合可以提供一种取长于不同数据模态的互补时间（EEG）和空间（fMRI）精度的有效的多模态融合方法。此外,只要能够搭建起具有相同神经元参数化的多模态动态因果模型,贝叶斯融合方法便可以应用于任何多模态数据集的有效连接分析。静息态功能磁共振成像的频谱动态因果建模分析。这项工作提出了一个功能连接与有效连接相结合的算法:首先,采用功能连接分析进行静息态数据中感兴趣脑区的选定;之后,再在选定的脑区基础上开展有效连接分析,进一步补充探究这些脑区间连接的方向信息。在有效连接分析算法方面采用频谱动态因果建模,该算法计算效率高,是目前动态因果建模在静息态数据分析中的主流方法。最后,针对有效连接参数的组水平分析,我们采用参数经验贝叶斯方法与贝叶斯模型约简。上述方法结合了功能连接与有效连接两类分析,并基于功能连接是有效连接的必要非充分条件这一因素为静息态数据有效连接分析中感兴趣脑区的确定提供了一种新的思路。随后,我们将这一方法应用于出租车驾驶员辅助运动皮层子区与全脑其他脑区间的功能交互研究中。我们发现,与驾驶相关的大脑功能连通性变化仅特定于前辅助运动区,而未扩展至辅助运动区本部;在驾驶员组,前辅助运动区表现出与多个前额叶脑区的增强的功能连接。有效连接进一步刻画了这些连接的方向性,发现前辅助运动区与其余几个脑区间建立了层级网络关系,即前辅助运动区位于高层级,与其余脑区间的连接为抑制性反馈连接。此外,前辅助运动区与左侧额上回的有效连接还具有组别的预测有效性。这些结果表明,后天训练获得的特定技能可以由大脑静息态的功能连通结构进行编码。