大量基于功能磁共振成像(functional Magnetic Resonance Imaging，fMRI)的研究表明，人脑在静息状态下存在多个神经网络，这些网络被称之为静息网络。其中默认网络(Default Mode Network，DMN)是首个被发现且激活度最强的静息网络，表明默认网络可以更好地表征静息状态的特征，众多研究发现某些精神疾病(如阿尔兹海默症、精神分裂症、植物病人)的病理与默认网络有着紧密的联系，因此它成为了医学领域的研究热点。　　 本文以研究默认网络在静息状态下的动态因果关系为目标，完成了默认网络的提取并对默认网络四个脑区进行基于滑动窗口的Conditional-Granger因果关系分析。本文的主要研究工作如下：　　 1.首次将核独立成分分析(Kernel Independent Component Analysis，KICA)成功应用至静息态fMRI数据处理中，用以提取默认网络。该算法通过核技巧将低维空间的原信号映射至高维空间，在高维空间采用基于核的对照函数进行盲源分离，与普通独立成分分析算法相比，在非线性混合信号分离中更具灵活性和鲁棒性。在核独立成分分析处理静息态fMRI数据之前，本文首先采用统计参数图(Statistical ParametricMapping，SPM)对原始数据进行预处理，然后采用主成分分析(Principle ComponentAnalysis，PCA)对原始数据进行了主成分估计，达到降维去噪的目的，解决fMRI数据庞大的问题，降低其计算复杂度，极大提高了计算速度。大量实验结果表明，核独立成分分析可以准确提取默认网络，有效处理静息态fMRI数据，并具有普遍适用性。　　 2.首次对默认网络进行了动态的因果关系分析。在核独立成分分析准确提取默认网络的基础上，采用基于滑动窗口的Conditional-Granger因果关系分析对默认网络的四个不同脑区进行了动态因果关系分析。实验发现前额叶中部是默认网络的信号输出点，而后扣带回是默认网络的信号输入点，这个结论与国内外现有的研究成果类似，说明Conditional-Granger因果关系分析能够有效地在静息态fMRI实验中对默认网络不同脑区之间的功能连接进行研究。除此之外，从动态因果关系结果中发现了左侧顶叶内部在静息状态下的显著活跃性，且其活跃性出现明显的变化并受到了默认网络核心部分--前额叶中部的抑制。这一发现，对揭示默认网络内部功能连接动态变化过程的研究提供了重要证据。