El uso de computadoras para simular numéricamente redes neuronales a gran escala se ha convertido en un método común para estudiar el mecanismo del cerebro humano, y la neuroimagen ha traído consigo datos cerebrales multimodales. Determinar cómo considerar plenamente estos datos multimodales en el proceso de modelado cerebral se ha convertido en un problema crucial. La asimilación de datos es un método eficiente para combinar el sistema dinámico con los datos de observación, y se han desarrollado muchos algoritmos relacionados. En este documento, utilizamos la asimilación de datos para realizar la estimación de variables de estado cerebral, presentamos una forma general de un filtro de Kalman de difusión llamado filtro de Kalman de difusión profunda, y proporcionamos un algoritmo específico que se combina con la asimilación de datos. Luego, demostramos teóricamente la efectividad del filtro de Kalman de difusión profunda y lo validamos aún más utilizando un experimento en el modelo de juguete. Finalmente, de acuerdo con las señales de resonancia magnética funcional en estado de reposo, asimilamos un modelo de redes de corteza con el cerebro en estado de reposo, donde la correlación es tan alta como 98.42%.