利用弥散张量成像技术探究大脑的结构特征以及大脑的结构连接网络是当前脑疾病研究的重要方法之一。利用弥散张量成像技术得到的结构脑影像数据被广泛地应用于对人格的探索以及研究中。在计算机领域中,针对各种各样的大脑影像成像模式,复杂网络理论能够非常直观地解释其对应的结果,适用于人脑的研究,可以在空间上对人脑进行划分,并研究大脑的各个区域。这些方法能够有效的鉴别人格特质,准确地诊断各类精神类脑疾病。然而在已有研究中,经常忽略掉现实情况中年龄和性别等混杂因素对于大脑结构影像数据的影响,忽略数据可能存在的聚集性特征,导致特征选取的有效性降低,最终造成分类准确率的降低。之前有研究采用多元线性相关的方法,考虑多个混杂因素对数据的影响。然而,多元线性相关分析的方法会忽略数据的非独立性等特征,无法对影响因素进行正确的估计和假设检验。为了解决这些问题,本文提出了一种基于线性混合效应模型进行相关性分析的方法。本文主要工作如下:第一,分析结构影像数据,对结构数据进行预处理,提取脑影像结构特征,构建结构网络,提取结构网络属性,研究人格特质与结构影像特征的相关性。第二,针对数据集由于年龄和性别因素而存在的聚集性问题,充分考虑年龄和性别对于脑结构影像的影响,构建线性混合效应模型。通过相关显著性的大小进行特征选择。第三,根据相关性分析的相关显著性大小进行特征选择,以此为依据得到的特征集合,其中可能存在冗余特征进而影响分类结果。针对此问题,本研究中计算两两特征间的皮尔逊相关系数,根据相关系数的大小剔除其中的冗余特征,得到最终进行分类时的特征集合。本文提出一种基于线性混合效应模型的脑结构影像的分析及分类研究方法,通过DTI标量指标及结构网络属性来反映大脑结构特性,再通过线性混合效应模型的构建,兼顾年龄和性别两个混杂因素进行相关性分析,以其结果进行特征选择,之后对特征进行两两冗余分析,去除无关的或者重复的特征。采用支持向量机的方法对人格特质进行分类,分类结果显示,基于线性混合效应模型的脑结构影像分析及分类研究方法大大提高了人格特质鉴别的准确率。本文重点研究结构脑影像数据的特征参数、结构连接网络的构建及属性分析,构建线性混合效应模型分析相关性,并以此为基础进行特征选择实现对人格特质的分类。对人格特质进行探索,寻求其影像学标志,然后以此为依据创建辅助鉴别模型,是国际前沿基础科学问题,对于国内来说,也是一种重大的需求。