精神分裂症是一种严重的精神类致残性疾病。通常认为,对精神分裂症进行准确的早期诊断,对于抑制病情进展和治疗精神分裂症具有十分重要的作用。然而,精神分裂症早期无明显行为学异常,而作为一类重要的医疗影像技术,核磁共振成像技术则为精神分裂症早期诊断提供了影像学支持。如何用统计分类方法实现基于核磁共振脑影像统计分析的精神分裂症自动诊断一直都是相关研究领域的重点研究内容。然而,由于精神分裂症成因复杂性以及当前核磁共振影像分析的高维小样本特性,导致精神分裂症自动诊断效果差强人意。在此背景下,本文依托湖南省教育厅科学研究重点项目《脑影像数据空间结构分析的机器学习方法及其异构实现研究》,对基于统计机器学习的核磁共振脑影像分类任务,针对异方差、高维小样本问题开展了方法层面的研究,并应用于精神分裂症自动诊断,主要工作总结如下:本文提出了一种基于最优化技术的正则化加权最小二乘分类器,构造了两类满足两个基本性质的正则化函数,理论分析相关可正则化函数的基本性质,并设计相应的迭代优化算法。进行了人工数据集和UCI数据集上的对比分类实验。实验结果表明,该分类器具有很好的鲁棒性,与其他基准分类器相比,更适用于异方差数据分类问题。最后在COBRE精神分裂症功能核磁共振脑影像数据上进行分类实验,提取浅层鉴别脑功能连接分布,取得较好的分类效果,改善了分类的鲁棒性和稳定性。本文在经典深度栈式自编码神经网络的基础上,设计了深度非负监督自编码神经网络。该网络从三方面着手,以改善深度神经网络在小样本任务上的泛化性能。一个是首先通过L1范数最小化进行特征的初选择;另一个是通过引入相关度正则化项,在预训练阶段引导网络学习监督特征;最后一个是引入每层权重的非负约束,以控制网络的表达容量。为解决带约束的损失函数反向传播问题,设计了符合要求的权重更新规则,并从理论上证明该规则的合理性。最后,将该深度神经网络应用于COBRE精神分裂症功能核磁共振脑影像分类任务上,进一步改善分类效果,还提取了多层鉴别脑功能连接分布。本文提出了深度卷积网络鉴别正交特征生成方法,通过引入异类正交度和同类相关度优化目标,提高了卷积网络中间层输出的鉴别特征捕捉能力,增强了中间层特征的稀疏度,从而达到控制网络表达容量、改善泛化性和局部鉴别区域选择的目的。为提高鉴别正交特征生成计算效率,提出随机二类鉴别方法。为控制网络输出稀疏度,提出自适应调节正则化系数逼近目标稀疏度的方法。进行了MNIST手写体数字数据集上的小样本对比实验研究,结果表明,深度卷积网络鉴别正交特征生成方法在小样本任务上的表现明显更优。最后在COBRE精神分裂症结构核磁共振脑影像数据上进行分类比较实验,取得了更好的分类效果,通过反卷积可视化操作还成功定位局部鉴别脑区。