精神分裂症是一种病因尚不明确的常见重大型精神疾病,由于缺乏客观有效的生理病理学标记物,目前的主流诊断方式都是依据患者的临床症状。传统的单变量分析方法可以发现脑结构与功能的变化情况,但推断只能基于组水平,临床诊断很难直接利用这样的研究结果。而多变量模式分析(multivariate pattern analysis,MVPA)通过对多特征建模,可以实现个体水平的疾病预测,能更好地转化为临床的诊断。本文主要以精神分裂症病人的功能磁共振数据为研究对象,以多变量模式分析为研究方法,对精神分裂症进行探索,建立了个体诊断的模型并探测精神分裂症疾病的病理生理机制。本文的主要研究工作包括如下两个部分:1、从局部出发,以血氧依赖水平(blood oxygen level dependent,BOLD)信号为原始特征,采用Searchlight算法与主成分分析(Principle Component Analysis,PCA)相结合的特征选择方法,并用线性支持向量机(Support Vector Machine,SVM)进行分类。实验发现与运动功能相关的初次级运动皮层,基底节相关区域,小脑,与情绪认知相关的前扣带,还包括枕叶和颞叶都有较高的区分力,准确率最高达到了89.9%。另外进一步研究这些有区分力的脑区的功能变化,发现精分病人基底节与大脑的很多认知运动皮层的功能连接都有明显下降,并且病人的连接的相关性与病程成显著负相关关系。该研究可能为精神分裂症的诊断和预后提供一个新途径。2、从大脑的全局出发,构建基于自动解剖标记(Automated Anatomical Labeling,AAL)模板的全脑大尺度功能网络,将其功能连接作为分类特征,并且使用不同的特征选取方法:F分值、T检验、最大相关最小冗余(Max-Relevance And Min-Redundancy,mRMR)、reliefF算法等进行了测试,建立诊断模型。实验结果发现不同的特征选取都取得了不错的准确率,证明了大尺度功能网络的可靠性,其中F分值的方法取得了88.1%的准确率。同时发现用于区分病人的一致连接发现这些一致连接和权重较高的脑区主要集中在皮层下核团和与感觉运动相关的脑区,这些连接和脑区都与皮层-纹状体-小脑丘脑-皮层环路相关,与第一部分的结果的结果相互吻合,说明无论从局部还是整体出发的研究,都表明基底节在精神分裂症疾病的诊断,治疗有着关键作用。本研究从局部功能和全脑网络两个角度对精神分裂症进行了多变量模式分析的研究,获得了较高的分类准确率,并且都发现了基底节功能的显著变化,对于研究精神分裂症的机制和临床诊断有着重要意义。