脑网络分类是指通过对人脑网络数据进行特征挖掘和分析来自动判断受试者是否患有神经精神性脑疾病的技术,为脑疾病发病机理的理解和早期诊断提供了有效的工具,因而具有重要的研究与应用价值。但是,由于脑网络数据通常具有高维小样本特性,所以给脑网络分类带来了极大的挑战。近年来,基于深度学习的脑网络分类方法引起人们的广泛关注。特别地,卷积神经网络因其对高维数据具有非常好的特征学习能力,而逐渐成为脑网络分类中的一个前沿热点。但是,目前该类方法既未充分考虑脑网络数据具有的拓扑特性,也未利用已有的其它相关数据资源,如临床表型数据等,因此,其分类性能尚有较大的提升空间。为了克服上述不足,本课题完成了如下两个方面的工作:(1)充分考虑到脑网络的拓扑特性,我们提出了一种具有独立卷积核的卷积神经网络(Convolutional Neural Networks with Element-wise filters,CNN-EW)脑网络分类方法。该方法主要包括为脑网络专门设计的具有独立卷积核的“边到边”层和“边到节点”层,用于逐级提取脑网络的拓扑特征。具体来说,这种独立卷积核从脑网络中边的独立性出发,为脑网络的每条边赋予独一无二的权重,能够更真实地反映脑网络的拓扑特性。此外,本研究结合了深度学习的两项特征分析原则来进一步识别与脑疾病相关的生物标记物。在ABIDE I仿真数据集和真实数据集上的实验结果表明:与多种经典脑网络分类方法相比,本研究提出的新方法不仅能显著提升分类性能,而且能精确地识别与脑疾病相关的异常脑区。(2)为了进一步提升CNN-EW脑网络分类方法的性能,我们提出了融合临床表型特征的单任务和多任务CNN-EW脑网络分类方法。首先,从性别、年龄和智商评分等几十种临床表型特征中筛选出可能与脑疾病相关的特征,以便为脑网络分类提供辅助信息;然后,由浅至深地对融合临床表型特征的单任务CNNEW、多任务CNN-EW、自适应多任务CNN-EW三类脑网络分类方法进行全面的研究和探索。其中,本研究提出的自适应多任务CNN-EW方法能够自动确定各个临床表型辅助任务的权重,从而降低实验成本和人为操作导致的分类误差。在ABIDE I真实数据集上的实验结果表明:相比于CNN-EW方法,融合临床表型特征的单任务CNN-EW、多任务CNN-EW、自适应多任务CNN-EW方法都能够有效提升脑网络的分类性能。特别地,自适应多任务CNN-EW方法能够较准确地分配各个临床表型辅助任务的权重,从而得到高于另外两类方法的分类性能。本课题开展的工作不仅提升了基于卷积神经网络的脑网络分类性能,促进了深度学习在脑网络分类中的研究与发展,而且对脑疾病的准确诊断及其生物标记物的发现有积极作用。