品行障碍(Conduct Disorder,CD)是一种儿童或青少年期的精神障碍,其表现特征有攻击性和反社会行为等。基于结构磁共振成像(Structural magnetic resonance imaging,sMRI)的研究已经发现CD伴随着脑结构异常。然而,这些脑结构异常是否可以区分CD和健康对照,目前仍无研究。本研究拟量化分析这些脑结构的差异,并基于机器学习(Machine learning)方法,探索这些量化特征的分类能力。本研究收集了60例CD和60例健康对照的高分辨率三维sMRI图像作为数据集,并进行如下研究:(1)提取灰质体积等形态结构学特征,基于传统机器学习方法构建CD的分类模型,其中分类器包括逻辑斯蒂回归(Logistic regression)、随机森林(Random forest)和支持向量机(Support vector machine,SVM),以对比分析不同分类模型性能;(2)采用多体素模式分析(MVPA)方法,在传统形态学特征基础上考虑体素邻域的三维空间信息,更灵敏地检测差异脑区,进一步完善CD的分类模型;(3)基于卷积神经网络的方法,分别改进Alex Net、ResNet和ResNeXt网络,自动提取大脑结构的多层次的“高维”特征,捕捉结构像数据的隐藏模式,完成CD的分类。我们对不同分类方法的受试者工作特性曲线(Receiver operating characteristic,ROC)进行统计比较,以对比这些方法的分类性能。我们发现多个CD和健康被试的灰质体积差异脑区。基于这些特征,应用传统机器学习方法(包括逻辑斯蒂回归、随机森林和SVM)构建的模型具有相似的分类性能,ROC曲线下面积(Area under the ROC curve,AUC)为0.76~0.80,且这三种方法的AUC无显著差异。基于最优阈值的准确率为77.9%~80.4%,特异度为73.3%~80.4%,灵敏度为75.4%~87.5%。基于MVPA方法可以检测到VBM方法未能检测的海马旁回等灰质体积有显著差异的脑区,基于MVPA检测脑区的CD分类准确率最高达83.0%。与传统机器学习方法相比,基于Alex Net深度网络的方法取得了较好的分类表现,其中Alex Net的AUC达到0.88(与SVM方法的AUC相比较,p值为0.061)。综上,基于sMRI图像,我们分别用传统机器学习方法、MVPA方法以及卷积神经网络建立了CD的分类模型,取得了较好的分类结果。在基于传统机器学习和MVPA的分类方法中,特征提取的过程需要人工干预,且基于特定假设;但模型训练和测试效率比深度学习方法高。基于卷积神经网络的分类方法无需人工干预以及特定假设来提取特征,且分类结果相较于传统机器学习方法,有较大的提升;但对数据规模有一定要求,在网络结构设计、模型训练等方面时间成本高。本研究表明,基于机器学习方法的CD的分类模型可作为一种客观可靠的辅助工具,促进临床上CD的分类诊断。