注意缺陷多动障碍（Attention Deficit Hyperactivity Disorder,ADHD）又被称为多动症,顾名思义,患有这种障碍的患者,会出现“多动”的症状。其中包括精力过于旺盛、注意力难以集中和性格冲动等现象,这种疾病在男孩中更为普遍,并且最近有实验证明其可能会持续到成年期。通常,这种障碍的诊断主要是依靠医生通过临床症状和国际上的诊断标准相对比来进行的,这种诊断方式是相对主观的,因此寻找有助于诊断ADHD的定量技术已经引起人们的关注。近几年,随着功能磁共振成像（functional Magnetic Resonance Image,fMRI）的出现,其无创、无辐射、时空分辨率高且不需要被试完成复杂的任务,已经被广泛地用于精神疾病的研究。而最近,深度学习技术在神经成像领域越来越受到关注。论文从静息态fMRI数据对ADHD目前的研究进展以及意义出发,针对目前ADHD研究过程中存在的不足,将深度学习引入相关研究,结合长短期记忆网络（（Long-Short Term Memory,LSTM））、图卷积神经网络（Graph Convolutional Neural Network,GCN）和在线字典学习,实现ADHD患者和正常对照组的分类。最终结果可以为神经精神科医生准确诊断ADHD患者提供一种方法,提高诊断效率。论文主要的研究内容如下:（1）本文从ADHD的目前在国内外在临床上的诊断方式和fMRI数据的发展出发,介绍了一些通过机器学习和深度学习来处理fMRI数据并且将其运用到ADHD诊断分类当中的方法,对各个相应的算法以及网络模型进行理论介绍。（2）对静息态fMRI数据进行处理,首先使用在线字典学习的方式,提取大脑的ROI（Region Of Interest,ROI）,接着为了让模型达到更好的学习效果,对数据通过时域变换的方式进行扩充,最后使用LSTM实现患者与正常人的分类。文中最终得到分类结果准确率为79.01%,灵敏度62.70%,特异性88.90%,通过实验验证了提出的方法对于ADHD分类的有效性。（3）fMRI作为四维图像,为了将其空间特征也充分利用起来,本文引入了图卷积神经网络,GCN可以有效地提取fMRI数据的空间图像特征,与LSTM结合,最终进行分类。为了后续LSTM更好的提取时序特征,我们使用动态功能连接矩阵作为GCN模型的输入,最终得到的分类结果为准确率80.20%,灵敏度63.5%,特异性89.0%,比之前只利用LSTM处理ROI时间序列的方法准确率增加了1.19%。结果表明结合GCN和LSTM模型有助于ADHD的分类,对后续临床诊断的方向提供了一种可参考的可能性。