人脑连接组网络由功能相似、空间分离且活动模式具有高度同步性的脑区组成,除了能够支持认知加工过程中的神经计算,也决定了人格特质和情绪特征等的个体差异。在神经科学和机器学习的交叉背景下,探究大尺度脑网络连接模式与广泛行为特质的关联一直是研究热点。然而,图机器学习方法在脑网络预测行为特质中的应用仍处在起步阶段。首先,以解释性导向的预测研究多基于数据驱动方法,缺少理论驱动类的机器学习建模研究。在未有充分假设情况下得出的结果往往呈现全脑离散的碎片化特征,导致无法形成系统的理论观点。其次,基于机器学习方法实现行为特质预测的研究多重视理论层面的可解释性,在兼顾特征和模型可解释性的同时牺牲了预测精度。同时,在预测个体特质时,脑网络的拓扑特征以及特征参数在高维空间的复杂交互也没有被充分利用。由此,本研究将分别在可解释性和提高预测准确性的导向下,将图机器学习方法应用于脑网络预测行为特质中。研究一为解释导向的机制研究,旨在于考察基于理论驱动的图机器学习方法是否可应用于行为特质网络神经机制探究。具体而言,研究分别构建了理论和数据驱动的人脑连接组预测模型（theory-driven connectome-based model,td CPM;data-dirven connectome-based model,dd CPM）。在特征选择上,td CPM假设额顶网络、注意网络以及默认网络的功能整合和功能分离在工作记忆中可能起到支持作用,并选取上述三个网络内/间的功能连接作为输入特征;而dd CPM无具体理论假设,将全脑网络作为输入特征。两个模型采用同样的样本、网络构建方法和模型拟合策略。在样本选择方面,从精神病学研究联合会公布的开源数据库中获了所有共130名健康成年被试,在进行头动控制、被试健康筛查、数据完整性检查后,保留111名被试。采用空间和言语工作记忆任务衡量被试的工作记忆。使用Dosenbach160模板构建默认网络、额顶网络、注意网络内的节点,使用平均时间序列相关计算节点间的功能连接强度。最后,将网络内和网络间的连接强度作为输入变量,采用决策过程简明的线性回归模型拟合输入特征（功能连接）和被预测变量（工作记忆）的关系。结果表明,td CPM能够对工作记忆产生预测作用,并基于较少的有效特征达到了与dd CPM类似的预测精度,表明基于假设驱动的图机器学习模型有应用于神经机制探究的潜力。研究二为准确性导向的预测研究,旨在于验证基于拓扑参数和人工神经网络的机器学习模型是否能够实现行为特质的准确预测。首先,从人脑连接组计划（Human connectome project）数据库中随机选取500名被试,包含行为特质以及静息态功能磁共振数据。研究将流体智力、大五人格的开放性以及悲伤特质分别作为认知、人格以及情绪的代表性变量。随后,采用研究1的方法构建全脑网络。在特征选择方面,分别计算了度中心度、局部整合和节点效率,将上述拓扑参数作为输入特征。在模型选择方面,采用浅而广以及窄而深的多层感知器（shallow and wide multilayered perception,sw MLP;narrow and deep multilayered perception,nd MLP）捕捉连接参数在高维空间的交互关系与行为特质的作用。最后,采用5-folder交叉验证模型的预测能力。结果表明,sw MLP和nd MLP均能够实现多种行为特质的预测,且sw MLP的预测精度要普遍高于nd MLP。结果提示基于拓扑参数和人工神经网络的图机器学习模型能够能够应用于准确率导向的预测研究,但在实际预测是需要根据特征类型确定最优的模型架构。总结来说,研究的结论如下:1)以往解释性导向的预测研究多基于数据驱动方法,缺少理论驱动类的预测研究。而研究1通过构建理论驱动的人脑连接组预测模型,发现工作记忆能力可能与大尺度脑网络的功能分离和整合存在关联。本研究证明了这种决策过程明确、输入特征简单、且基于理论驱动的图机器学习模型或可应用于行为特质神经机制的研究,并用于指导系统理论的形成。2)以往基于机器学习方法实现行为特质预测的研究多重视理论层面的可解释性,而并在利用复杂特征的基础上,考察变量交互关系与行为特质的作用模式,忽略了预测的准确性。本研究采用拓扑参数和神经网络算法,实现了多类型行为特质的预测,表明基于神经网络的图机器学习有潜力应用于行为特质预测。