近年来,脑疾病是造成全球人口死亡的主要原因之一。神经影像在临床诊断与脑疾病分析中起到了越来越重要的作用。然而,神经影像数据维度过高导致临床医生往往需要花费大量时间来进行阅片。因此,通过计算机辅助诊断的方式协助医生进行分析与诊断十分必要。目前已有一些自动诊断方法运用到脑疾病的分析与自动诊断上,且能有效地对神经影像进行分析且对疾病做出诊断,但这些方法大多关注于使用传统机器学习或者神经卷积网络的方法。然而神经影像往往具有时间信息且神经卷积网络的特征图具有独特的空间信息。据此,本文分别以阿尔茨海海默病以及强迫症为例,分别设计了三款基于长短期记忆网络（long short-term memory,LSTM）的诊断模型:第一,本文利用堆叠双向长短期记忆网络代替传统的双向长短期记忆网络。此外,长短期记忆网络的每一个输出都与历史输入相关,但对当前输入的影响较大。因此,全连接层可以通过增强堆叠双向长短期记忆网络不同输出节点之间的连接来提高精度。为此,我们设计了一种新的深度学习网络,该网络利用多模态数据通过三维神经卷积网络和全堆叠双向长短期记忆网络进行阿尔茨海默病的诊断。最终,我们取得了94.82%的诊断精度。第二,我们设计了一个新的基于功能磁共振数据（functional magnetic resonance imaging,fMRI）的强迫症诊断深度学习框架。具体地说,利用融合双向注意堆叠长短期记忆网络实现强迫症的诊断。首先,通过采样的方式从原始的fMRI序列中提取两个独立的时间序列,减少了功能磁共振序列的长度,降低了训练难度。其次,对隐藏的时间信息采用两种独立的双向堆叠注意力LSTM学习,得到初步的分类结果。最后,对两个诊断结果进行投票,得到最终诊断结果。最终,我们取得了71.66%的分类精度。第三,基于第第二部分的工作,我们提出了一种基于有序神经元的LSTM（ordered neurons LSTM,ON-LSTM）和多头注意力的强迫症诊断新框架。ON-LSTM可以将神经元按顺序排列,从而利用神经元的形成顺序增强LSTM的性能而不是用叠加和双向运算。我们用多头注意力方法从ON-LSTM的特征图中提取多样化的注意力特征,并从不同的表示子空间中提取信息。最终,我们取得了68.89%的分类精度。