针对现有单节点模型识别准确度较低以及低阶多元广义线性模型（LRMGLM）计算时间过长和使用局限性问题，提出基于扩展的低阶多元广义线性模型（ELRMGLM）的脑节点识别方法。首先，建立可以同时处理两次实验所有节点数据的ELRMGLM，以更多的时间空间信息来提高算法的准确度；然后，利用带时空平滑惩罚项的优化函数引入先验信息，并通过迭代函数对模型参数进行求解；最后，使用基于 K-means的快速选择策略实现惩罚参数和大脑节点的快速选择。三次样本实验中，ELRMGLM的准确度分别比经典血液动力学响应函数（canonical）方法、平滑有限脉冲响应（SFIR）方法、正则化和广义交叉验证（Tik-GCV）方法的最优结果提升了约20%、8%、20%，略优于LRMGLM，且计算时间是LRMGLM的1/750。实验结果表明，ELRMGLM能有效提高大脑节点的识别准确度，减少计算时间。