目前,基于运动想象的脑网络分析在认知神经科学领域有着广泛的应用,它们为中风患者的术后康复以及运动员的技能提升提供了重要的参考指标。然而,在运动想象数据采集期间,数据会不可避免的受到被试头动或眨眼带来的噪声影响,从而影响后续构建的脑网络的精确性。其中一个原因是,多数有向网络估计方法采用了多元回归分析,而传统多元回归分析主要采用了最小二乘法,它们会由于目标函数中平方项的存在而放大噪声的影响,造成多元自回归模型(Multivariate Auto-Regression model,MVAR)系数的估计误差,从而导致构建的脑网络出现较多伪迹,扭曲了原本的网络拓扑结构。相似的问题在时变脑网络的估计中也存在。在时变脑网络构建中常常采用的卡尔曼方法(Kalman Filter,KF)对过程和观测噪声服从高斯分布的假设造成了其在实际应用中的局限性,且对异常值敏感,使得构建的脑网络不够准确。本文针对这些问题,以贝叶斯方法(Bayesian Analysis,BA)为基础,提出了两种基于贝叶斯的网络估计方法,分别实现因果网络、时变网络的构建。主要研究内容如下:1、提出基于贝叶斯的多元自回归分析(MVAR based on Bayesian,BA-MVAR)网络构建方法。针对因果网络构建中采用的最小二乘法容易放大信号中的噪声影响的问题提出这一方法。我们假设MVAR模型系数服从零均值的独立高斯分布,利用贝叶斯公式联系起模型的概率分布函数,得到最大似然函数从而估计未知参数。本文将BA-MVAR分别应用在仿真实验和真实数据实验中,与传统的基于最小二乘法的多元自回归分析方法(MAVR based on least square,LS-MVAR)进行多方面的性能比较,实验结果表明BA-MVAR在不同的噪声条件下的性能都优于LS-MVAR,且BA-MVAR在较少样本点数情况下也表现出相较于LS-MVAR更好的性能,这一点在磁共振数据分析等实际应用中非常重要。2、提出基于贝叶斯的改进卡尔曼滤波(KF based on Bayesian analysis,BKF)的时变网络构建方法。针对传统的卡尔曼滤波法假设状态和观测噪声服从高斯分布难以适用于重尾非高斯噪声条件下的时变脑网络估计,本工作从贝叶斯方法出发,假设卡尔曼滤波方程的状态和观测噪声服从具有重尾特性的学生t分布,通过引入变分贝叶斯方法以及逆威希特分布完成了相关目标函数的近似求解。理论上,BKF解除了高斯噪声的限制,因而比传统卡尔曼滤波有更好的普适性。仿真实验证实,BKF能够在重尾非高斯噪声条件下获得更低的时变系数估计误差和更高的网络估计一致性。真实运动想象磁共振数据进一步揭示BKF能够获得与运动想象机制更相符合的脑网络偏侧性。