表徵相似性分析（Representational Similarity Analysis，RSA）是一種多變數技術，由Nikolaus Kriegskorte於2008年提出。RSA通過計算不同條件下大腦中不同表徵之間的相似度，成為對比多模態神經數據的一個強有力工具。它允許使用不同類型的數據和它們的相似性矩陣來獲得關聯，例如fMRI和視覺刺激，或者人類和猿猴的顳下溝。
RSA的過程可以概括為以下步驟：
刺激的處理。首先定義刺激的特徵空間，每個軸代表一個特徵，如照片可以用抽象特徵分類，如有無生命、暖色還是冷色等。在這個空間中描述一個圖像，例如以柔軟度和生命性為特徵，可以得到一個二維的特徵空間（實際上可以是n維）。通過計算特徵空間中每幅圖像之間的距離（如歐氏距離、相關性、餘弦等）來衡量這些刺激的關係，最終得到一個關係矩陣，即表徵不相似性矩陣（Representational Dissimilarity Matrix，RDM）。
腦活動的處理。以fMRI為例，計算所有腦區/體素間的相關性或餘弦相似度，得到腦活動的RDM。
評估大腦結構與特徵相似性。將腦活動的RDM與不同特徵的RDM相映射，評估大腦中是否有區域的結構與特徵相似。
RSA不僅是一個計算模型，還根植於統計分析，因此在隨後的推理過程中會用到一些標準的方法，例如Fisher r-to-z變換、單樣本t檢驗、置換檢驗等。RSA還適用於比較來自不同空間尺度的數據，甚至不同物種之間的數據。