“脑卒中”发病率的增加，严重的危害着人们的身体健康和生命安全，致残率居高不下。功能磁共振成像（fMRI）能够通过实时的检测大脑血液中脱氧血红蛋白含量的变化来间接反映参与活动任务的神经元的激活状况，它的出现为探索脑卒中后康复机制、评价和判断预后方面提供了新的研究思路，因此，在康复医学领域具有良好的应用前景。然而，fMRI数据具有成分复杂（时空性）、数据量大、多噪声且信号弱等特点，导致数据处理十分不易。独立成分分析（ICA）是现有的方法中唯一一种基于四阶统计量的方法，能够对fMRI信号与噪声的统计信息进行更深层次的挖掘，因此，在fMRI中被广泛应用并成为国际上的研究热点。本文深入分析了fMRI对比度机制、噪声的产生和原有数据处理方法的不足，针对fMRI数据特点，通过提出新算法、优化老算法或结合多种数据处理算法的方式，来完善ICA在fMRI中的应用，并以此为基础，探索正常人下肢运动的大脑皮层激活模式和卒中后患者康复期内运动功能皮层的重组规律，为卒中后的下肢运动功能临床康复提供理论基础。（1）针对邻域相关ICA算法严重依赖参考函数的问题，提出一种邻域自相关ICA算法，在不需要参考函数的情况下，通过检测体素点各周期的时间序列相关性，对fMRI数据进行激活区提取。将该算法分别应用于对仿真数据和对12组真实fMRI数据的处理，并与前人方法进行了对比，分析了算法的准确性和稳定性。（2）针对传统ICA对fMRI数据时空特性假设不合理的问题，提出了基于infomax判据的stICA优化算法。该算法通过同时最大程度的优化时间源和空间源的独立性，来建立两个领域的平衡，服从物理上更真实的假设。通过对仿真数据的处理讨论了改进算法的准确性。将该算法应用于踝关节主动运动与被动运动激活模式的对比，判断被动运动是否可以作为无法进行主动运动时的替代刺激手段。（3）讨论了GLM和stICA两种模型的共性和差别，针对stICA模型稳定性差和GLM违反其基本假设的缺点，提出stICA-GLM联合算法。通过对仿真数据的处理讨论了联合算法的准确性和稳定性。通过同个体同条件下的不同被动fMRI实验指出受试者在进行被动运动时，大脑思维不受控制，会产生大量神经性噪声。将stICA-GLM联合算法应用于对神经性噪声的消除，并将其结果与GLM结果进行了对比。（4）针对fMRI数据量庞大，基于梯度算法的收敛方式很难满足fMRI数据处理的速度要求的问题，提出了基于固定点的stICA联合算法（Fast-stICA-GLM）。分析了Fast-stICA-GLM算法的收敛性能，提出在算法中添加步长因子来优化其收敛性能。通过真实fMRI数据对Fast-stICA-GLM和Infomax-stICA-GLM两种算法进行了对比，对比内容包括准确性、稳定性和运算速度。最后应用Fast-stICA-GLM算法分析了不同个体之间被动运动的激活状况。（5）应用Fast-stICA-GLM算法作为数据处理手段对卒中后患者进行为期6周（共4次）的跟踪fMRI研究，记录卒中患者在康复训练期间，大脑下肢运动功能皮层的重组情况，通过定量和定性指标给出功能皮层的重组规律。定量指标包括：偏侧化指数LI、峰值点坐标、激活体积和峰值点体素信号强度；定性指标包括：下肢运动功能所在的解剖区域和激活体素所在的brodmann分区。通过这些指标，可以得知某个单独关节的运动功能的恢复情况，从而对制定针对性的康复计划起到指导作用。