人类大脑是复杂的巨系统,而复杂脑网络通过构建以神经单元为节点,神经联系为连线的网络结构,将大脑视为一个由大量神经元相互作用形成的稀疏分布的复杂网络系统,以实现使得探究大脑的工作机制和功能的目的。但是,仅由节点与连线构成的脑网络不能反应大脑信息的有向交流关系,导致对脑网络功能的分析的真实性和有效性不足。因此,本论文利用动态因果模型(DCM)来构建大脑效应网络,以大脑的信息自动加工指标—失匹配负波(MMN)为研究对象,来探究在特定实验刺激下相关脑区间的有向信息交流关系。与功能性磁共振(fMRI)相比,脑电(EEG)的高时间分辨率可以及时探究激活脑区的瞬间时序变化,更有利于发掘大脑潜在的的动态变化。另外,EEG还具有无创伤性、便携性等优势,为研究大脑这一复杂系统提供了有力的支持。本论文深入研究了基于EEG的DCM算法,采用神经元集群模型作为其神经元动力学基础,利用状态方程反映某个神经元活动映射到另一个神经元活动的演变过程,输出方程反映观测信号与神经元活动的映射关系,并基于贝叶斯理论进行参数估计和模型选择,得出与数据拟合度最高的模型,比较分析各个脑区间的信息传递过程。本论文以MMN为研究对象,利用DCM构建了基于EEG数据的效应脑网络,揭示了在非注意听觉刺激下的大脑有向信息交流活动,并结合MMN的相关研究分析了DCM构建大脑效应网络的直观性和有效性。首先,根据听觉Oddball实验范式设计了实验并提取MMN,对脑电数据进行预处理,对提取出的MMN波形进行统计分析,并利用脑电地形图分析了其电位变化的空间分布状态;然后,构建了头模型和源模型得到前向模型,利用基于经验贝叶斯理论的稀疏解的方法对EEG数据进行源定位,最后结合空间定位结果选取了感兴趣区;最后,利用DCM针对实验得到EEG数据构建了脑效应网络,分析了大脑在特定实验刺激下相关脑区间的有向信息交互作用,同时发现DCM可以直观有效地反映大脑相关脑区间的效应连接关系。本文利用EEG数据构建的DCM,可以在神经元水平上揭示大脑效应连接关系,并且通过对大脑自动加工指标——MMN的DCM网络构建,刻画了大脑在特定刺激下的效应连接关系,有利于一些脑疾病的诊断和辅助治疗。