对脑功能信号，如磁共振成像（fMRI），脑电信号（EEG）等的研究对深入了解脑的信息加工过程，揭示脑的高级功能至关重要。由于常见的脑功能数据维数往往比较高，信噪比低，而且信号中混合了大量未知的脑活动模式，在进行脑功能定位和神经解码时，传统处理方法往往难以达到理想效果。本项目根据fMRI和EEG数据的一般特性，如fMRI数据的非负性、高维结构特性、脑功能区的稀疏特性和局部光滑性等特点，利用非负信号盲分离、张量积表示、贝叶斯推理以及信号稀疏表示等信号处理领域的前沿方法，建立基于凸分析与凸优化技术的算法框架，并将合理的先验信息以凸约束形式引入优化过程，从而提出高效的、适合高维大数据量的脑功能数据分析与处理的计算方法，从时域、空域和频域对神经响应信号进行有效建模和分离提取，以精确定位脑功能区和解码脑的感知及认知状态。并将研究取得的成果用于脑机接口系统，取得了很好的效果。尤其在脑功能区间的定位技术研究方面，利用稀疏信号处理和字典学习理论，在fMRI定位上实现更具有生理学意义及更好解码效果的体素定位方法。在脑电定位技术上，我们利用贝叶斯理论建立脑电功能信号的时空模型，并且利用贝叶斯推理方法进行优化计算，充分利用凸优化技巧，改进计算效果，成功实现了脑电信号的时域信号重构和空域定位，并且首次实现了从数据中自学习确定信号源大小，对于传统脑电源定位中主要靠人工选择方法来针对不同大小的脑源定位方法来讲，取得了性能及功能上的突破，对实际应用具有很高的价值。本项目的研究过程中，发表了16篇SCI检索论文和多篇国际会议论文（多篇论文还在陆续投稿和修改中），也开发了开源的算法软件，培养了多位博士生和硕士研究生，实现了项目的预定目标。