功能磁共振成像(fMRI)是研究人脑功能的主要技术之一,从静息态功能磁共振成像(rs-fMRI)中获得的脑功能连接(FC)在神经影像学中被广泛应用于研究精神类疾病,有望为脑部疾病的分类或预测提供潜在的生物标记。由于脑功能连接数据维度大,数据量少的问题,常用的分类算法存在容易过拟合,识别效果差的缺陷。近年来深度学习的快速发展,给医学图像领域带来了很多新启发。生成对抗网络(GAN)在很多领域的分类任务中得到了良好的表现,然而在fMRI中的应用相对较少。本文针对脑功能连接数据样本量较小的特点,提出了一种改进的用于生成脑功能连接样本的生成对抗网络。此外,卷积神经网络(CNN)近年来在非图像领域也得到了优异的表现,本文提出一种一维卷积网络来代替目前常用的深度神经网络来对功能连接进行分类。主要研究内容如下:(1)针对脑部精神疾病的fMRI公开数据集样本量少,传统的机器学习算法容易过拟合的特点,本文提出一种改进的用于脑功能连接数据生成的生成对抗网络(FC-GAN)。该模型由生成网络、判别网络和约束网络组成,每个部分由多层的全连接神经网络组成,相互配合以提高数据生成的效果。在这项工作中,使用了变分自编码器和生成对抗网络联合训练的方法,同时提出了一个约束网络来约束生成网络的生成方向,实现了提高数据生成质量的目的。(2)针对目前常用的全连接的深度神经网络在脑功能连接分类任务上分类效果差,过拟合现象严重的问题,本文根据脑功能连接是一种向量数据的特点,提出一种基于一维卷积网络的脑功能连接分类算法。利用一维卷积堆叠实现对输入数据的特征抽取,同时在网络中加入注意力机制模块,对卷积层之间的特征图进行重要性标定。相比目前常用的深度神经网络,该方法在分类准确率上有明显的提升,并且该方法是卷积网络在脑功能连接分类中的首次尝试。(3)通过MATLAB工具设计开发了fMRI图像的分类系统,该系统主要包括数据扩充和分类识别两个模块,实现了数据采集,数据预处理,模型训练,数据扩充,分类识别等功能。实现了对输入的fMRI图像分类的目的,提高了疾病的诊断准确率和医生的工作效率。