复杂网络通常表现出高度的复杂性和不规则性,变异性分析方法能够有效地捕捉网络的不精确或不确定性信息,以及网络的重组模式。传统的网络变异性方法主要有方差、统计、几何、能量等。相比较于传统的方法,模糊熵具有更强的相对一致性、对数据长度的依赖性更小、避免了不必要的边界效应、更能反应数据的固有特征。为了更好的刻画网络变异性模式,本论文提出了基于模糊熵的变异性分析技术,并将变异性特征用于医学影像数据的机器学习模型构建。本文的主要研究内容如下:提出一种基于模糊熵的新的变异性分析评估方法。传统的时间序列变异性指标的计算一般采用方差,这可能忽略时间序列之间的交互信息,且更容易受到信号振幅的影响。为了更好地表征多变量时间序列的可变性,本文引入模糊熵作为计算变异性的指标。利用新的变异性分析方法,评估了孤独症患者（Autism Spectrum Disorder,ASD）大尺度脑网络功能连接（Functional Connectivity,FC）在静息状态下的时间变异性。然后将时间变异性指标作为特征来构建预测模型预测ADI-R-social得分。结果表明,网络FC时间变异性与ASD的社会行为相关,且使用支持向量机回归预测得到较高的预测结果r=0.575（P＜0.001）,表明基于模糊熵的时间变异性指标可作为重要特征预测ASD症状严重程度。提出一种新的模糊熵算法-改进模糊熵。传统模糊熵在计算相似度时采用的是模糊隶属度函数,并将相邻向量之间的相似度进行了平均,这忽略了相邻向量之间的时间尺度关系,可能会引起信息的泄露。为解决这一问题,本文将相邻向量之间的相似度采用标准差的方法进行改进。并对改进模糊熵的算法进行数据仿真试验,发现改进模糊熵的值比传统模糊熵的值更趋于平稳。将这种基于改进模糊熵算法的变异性方法应用在生理信号ASD的识别中,发现改进模糊熵的分类结果优于传统模糊熵。进一步在这基础上引入多尺度模式,得到了传统模糊熵和改进模糊熵在尺度2的时候达到最优分类准确率。最后,将基于这两种熵在尺度2时的变异性单独提取出来,并进行特征融合来构建分类模型,得到的结果优于之前的每一次结果。通过一系列的模型改进,最后的分类准确率达到了95.43%。结果表明,本文新提出的改进模糊熵算法在评估网络变异性上是有意义的。