随着神经影像技术的发展,功能性磁共振成像(fMRI)被广泛应用于认知神经科学和脑疾病等方面的研究。其中,任务态fMRI数据反映特定任务刺激下大脑相关功能活动的变化,静息态fMRI数据反映静息状态下的大脑功能活动变化。通过对fMRI数据进行分类,可以帮助人类对大脑状态的解码,也有利于脑疾病的诊断和治疗。本文基于神经网络模型分别对任务态fMRI数据和静息态fMRI数据的分类进行研究。针对任务态fMRI数据的特点,本文提出一种并行多通道二维卷积神经网络(P2D CNN),用于对任务态fMRI的三维脑图数据的分类。该模型的输入将三维脑图数据转化为三幅多通道二维图像,保留了体素点特征信息的完整性;模型中使用三个并联的多通道二维卷积神经网络提取特征,提升了对数据三维空间信息的特征提取能力;模型主要使用二维卷积,相比三维卷积提高了模型训练效率。本文在公开数据集HCP的任务态数据上进行实验,结果表明了P2D CNN实现较高训练效率的同时取得优于其它对比模型的分类效果。功能连接特征是静息态fMRI数据分类的重要和常用特征,为了弥补其代表信息量的不足,本文在其基础上增加脑区综合特征、全脑体素点特征与个人属性特征进行综合分析,提出了一种三维卷积神经网络与全连接神经网络的混合模型(CDNN),以组合这些特征进行分类。该模型通过三维卷积神经网络对全脑体素点特征学习体素级高阶特征,通过全连接层学习体素级高阶特征与其它各项特征的组合,综合考虑了多种信息进行分类。本文在公开数据集ABIDE上进行自闭症患者分类实验,结果显示CDNN模型在分类效果上具有优势。实验最后讨论了CDNN模型中体素级特征的输出维度对分类效果的影响。