在对于脑部疾病的研究过程中,人们发现可以通过将大脑划分成若干个脑区定义为网络节点,并将脑区间的某种连接关系定义为边,得到“脑网络”的概念。随着对脑影像的深入研究,产生了许多不同的脑网络,接着,使用图论的知识对其进行解读,并对大脑的结构或功能连接及二者之间的联系进行进一步的探究。弥散张量成像（DTI）通过检测水分子在白质纤维中的扩散情况,可以反映大脑中白质纤维的走向。而功能磁共振成像（f MRI）通过测量大脑血氧水平依赖可以捕捉大脑的功能活动信号。本文以DTI、f MRI为研究对象,通过对这两种影像分别构建大脑结构连接网络和大脑功能连接网络,研究用大脑结构相关关系预测大脑的功能相关关系。本文主要研究内容如下:1)针对脑网络融合研究中,如何动态地收集更丰富的节点交互信息,以及如何更有效地进行小样本学习等问题,我们提出了随机游走Grassmann模型用于整合大脑的结构连接和功能交互关系。首先,从每位受试者的多模态数据中得到结构连接矩阵和大脑的时序特征矩阵。然后使用随机游走算法和Grassmann池化方法融合这两种矩阵。接着采用递归特征消除进行特征选择,并将选择后的特征放入支持向量机中得到最终的分类结果。该方法在ADNI数据集上进行了四项二分类实验,分类精度均优于传统脑网络分类方法。2)虽然多模态数据对于阿尔茨海默病（AD）诊断效果的提升有一定的帮助,但会给患者带来更大的经济负担。因此针对AD的经济性早筛需求,研究了基于AD患者大脑结构连接对功能连接拓扑特征的预测。首先使用受试者的DTI和f MRI影像分别构建脑网络,接着提取其网络拓扑属性。分别使用了XGBoost回归、支持向量回归、岭回归和随机森林回归作为预测模型通过实验选取最优模型。实验表明,可以使用大脑结构网络的全局聚类系数、网络最短路径长度、全局效率和节点效率分别预测功能网络的全局聚类系数和网络最短路径长度。在前者的预测实验中,支持向量回归的效果最优,而预测后者时,随机森林回归的效果最好。3)设计并实现了基于多模态脑影像数据的阿尔茨海默病辅助诊断系统。其中包含登录验证、数据预处理、智能诊断、智能预测和记录查询五大功能模块。使用智能诊断时用户需上传自己在同一时期拍摄的DTI、T1-MRI、f MRI三份完整的DICOM格式的数据文件,即可通过该系统对自己的病情做初步的了解;使用智能预测时用户只需上传DTI和T1-MRI文件即可通过系统预测功能脑网络的拓扑特征。同时,系统会保留用户多次的诊断或预测结果,显示在个人中心中以便查看。