静息态功能磁共振成像（rf MRI）以无损性、科学性和快捷性等优势成为当今先进的脑功能成像技术。熵模型能够通过分析rf MRI信号的非线性特征和复杂度来反映大脑的生理状态,特别是在癫痫中应用广泛,因此,可将熵值作为检测脑功能异常的定量评估指标。但在使用熵模型分析rf MRI时,模型参数选择上存在依赖计算经验造成主观性和缺少统一标准的问题。为此,本文从熵模型和有监督机器学习的分析视角开展对rf MRI特征提取和分类的拓展研究,以此优化熵模型的计算参数并检验优化效果,从而解决以上科学问题。以事例1（不同发作侧患者的定侧）为例对多尺度熵模型优化,提出多尺度熵模型优化算法,并将方法应用于事例2（健康人和癫痫患者的区分）中,结合有监督机器学习分类精度检验熵模型的优化效果。本文以20名颞叶癫痫患者和60名年龄性别与患者匹配的健康人对照组（扫描采用同一设备和严格相同的扫描参数）为研究对象,患者接受常规的术前评估结构像MRI显示阳性来定位癫痫放电区域（按结构像海马阳性分为左发作侧组和右发作侧组,各10名）。所有被试者rf MRI数据经过预处理、质量监控和全脑分区（基于AAL脑区模版）形成4维分析数据。首先,根据数据特性选择多尺度熵模型的参数优化范围;然后,进行组间熵值差异性显著分析,结合含有敏感性分析的受试者工作特征曲线（ROC）及其曲线下面积（AUC）值优化模型参数,确定参数取值;最后,在参数优化后的熵模型下计算脑区熵值,并把组间熵值差异性显著的脑区作为敏感性标记,将其熵值作为特征向量分别输入到概率神经网络、支持向量机和随机森林算法中进行分类,并通过N折交叉对分类精度进行验证,以分类精度平均值评估熵模型优化的有效性。事例1的研究结果发现:左中央沟盖、右中央沟盖、左内侧额上回、左脑岛、右脑岛、右顶上回、左楔前叶、右尾状核、右颞极:颞上回,共9个脑区对癫痫患者的发作侧较为敏感。对事例2研究发现:左眶部额上回、左岛盖额部下回、右回直肌、左距状裂周围皮层、右舌回、左枕上回、右梭状回、右缘上回、右尾状核。将这些脑区的熵值放入机器学习中进行分类,事例1和2的分类精度经过验证后分别可达到95.0%和85.0%,高于目前研究水平,说明优化后的多尺度熵模型提取的特征量能够有效地区分不同组的被试者。结论:熵模型参数优化算法可以达到客观选择rf MRI熵模型参数的研究目的,可较为准确地提取功能影像标记。本文工作为熵应用于脑功能检测中提供理论依据和科学参考。