自闭症谱系障碍,是一种由于神经系统失调导致的广泛性发育障碍,多在儿童早期表现出不寻常的自我意识时被发现。患儿大多表现出发育障碍现象,并伴随有社交能力、沟通能力、兴趣与行为模式等方面的异常。自闭症谱系障碍通过现有的医学手段无法完全治愈,只能通过后天干预进行缓解。跟据目前的治疗经验,六岁以前是进行干预的黄金时期,然而当现有的检测手段的确诊时都远远晚于这个时期。在临床应用中,自闭症的诊断标准采用了美国精神病学会提供的《精神障碍诊断和统计手册(第五版)》中的量表法,需要医生对患者的社会行为、语言、动作及重复行为进行观测和评估,缺乏一种客观诊断方法。为了让受检者能及时被确诊是否患有自闭症,解决传统自闭症诊断方法准确率低,确诊周期长的问题,本文利用深度神经网络,设计了一套自闭症磁共振影像诊断系统。这一系统的提出完全改变了传统的自闭症谱系障碍的检测方式,大大提升了检测的客观性与准确率。本系统利用计算机视觉技术,分析受检者的磁共振成像,并评估其在自闭症早期筛查上的表现。本文致力于将深度学习的手段运用到医学上,设计出一种检测周期短、检测准确率高的筛查网络来检测自闭症。这样,医生能够将更多的精力集中于治疗,减少在检测工作上的花费。通过和当地的三甲医院合作,我们成功地搜集到自闭症儿童和正常儿童的核磁共振成像数据进行相互对比。并在多次尝试下设计出针对功能磁共振成像数据筛查准确率极高的网络结构。本次实验中搜集有结构磁共振成像数据1102例,功能性磁共振成像数据2352例。实验中对比分析神经网络在两种数据下的表现,最终设计出一个分类准确率高的网络模型。实验表明,由我们设计的网络的诊断准确率高达92.1%,能在40分钟之内分析完成单个受检者的患病分析。最后,本文通过网络解释方法对网络的分类结果进行解释,并定位网络所感兴趣的脑区。我们提取出定位到的脑区信息,这些信息很可能反映了自闭症的物理病因。