人脑功能活动在个体间存在不可忽视的差异,功能网络的分布以及功能区定位在不同的被试上也存在较大变异性。个体差异现如今已经成为脑成像研究中研究认知行为神经活动基础以及疾病病理生理机制必须考虑的因素之一。静息态磁共振(Resting-state functional magnetic resonance imaging,rfMRI)可以无创的观测大脑内在神经活动,并且不需要任何认知任务,能够很好的反映大脑功能活动模式以及网络分布,非常适用于探究脑部疾病内在神经基础,在癫痫的研究中也已经越来越多的被用到。但大多数的rfMRI研究分析方法多利用群组水平的图谱,忽略了个体间差异,模糊了个体上的功能活动细节。近些年来,多种个体化方法被提出,这些方法都考虑到了个体间差异的影响,可以获得更加贴近个体的脑功能区定位以及网络划分。并且这些方法已经用到了精神分裂症等精神疾病以及孤独症等神经发育性障碍的研究中,但在癫痫中还尚未有相关方法的应用。针对癫痫rfMRI个体化脑图谱相关研究的空缺,我们利用两种不同的个体化脑图谱方法,对多种癫痫亚型以及匹配的健康对照识别个体化感兴趣区并构建连接矩阵,利用机器学习算法提取关键特征,作疾病样本与健康对照的分类工作,并与传统图谱模板方法做系统性的比较。主要分为以下两个部分:基于个体化功能网络分割,利用迭代算法,同时考虑个体间变异性分布以及先验模板,不断的对每个被试的功能网络划分做出调整,并在算法收敛后识别出具有一致功能的脑区,利用个体水平上的连接特征对疾病以及健康对照做模式识别。我们发现个体在功能网络的分布上具有许多差异,且这些差异化分布具有一定的规律,同时相对于传统先验模板方法,个体化方法的运用可以提高连接特征区分疾病与健康对照的能力。利用个体化内在脑网络拓扑研究方法,克服上一个工作中感兴趣区不能覆盖全脑的弊端,对每个被试的功能区中心位置做特异化处理,定位具有个体特异性功能区,提取连接特征并利用机器学习模型做模式识别。我们发现每个个体在功能区位置上具有显著且具有规律性的分布模式,同时对比传统模板方法,该方法的利用可以提高分类模型的表现,获得更好的模式分类效果。综上,本论文利用两种新的个体特异化处理方法,提取个体水平上的功能连接特征,在癫痫与健康被试的分类中获得了相较于传统组水平方法更好的结果,为今后癫痫rfMRI研究从群组水平图谱模板研究方法向个体化方法的转移提供了参考。