全国卫生事业发展情况统计公报表明，高血压是影响人类健康的十大疾病之一。高血压所导致的脑卒、心衰等各种并发症已成为临床研究的热点，但高血压对大脑网络特征的影响往往被忽视。　　本论文基于30例高血压患者和30例健康人的DTI数据，对高血压患者的脑网络特征，包括节点度、中心介数、聚类系数、最短路径长度、lambda、gamma、sigma、hub节点等进行计算，并与健康人组进行对比分析。ANOVA统计结果表明，高血压对于脑网络的全局网络特征的影响较小;相反地，高血压会对局部网络特征产生直接的、显著的影响:对于节点度、中心介数、聚类系数和最短路径长度这四个局部网络特征，分别存在6个、6个、11个和3个脑区在高血压和健康人两个组别中存在显著性差异，我们的这一发现弥补了前人研究中的不足，为高血压研究的进一步发展提供的新的研究方法。　　高血压患者的脑网络hub节点研究中，探讨了两种网络特征识别方法和P值法的hub分类识别结果。结果显示，网络特征节点度、网络特征中心介数和P值法均将豆状壳核识别为provincial hub，将枕中回识别为conector hub;同时，识别结果之间也存在一些差异，如楔前叶和枕上回在网络特征识别法中被一致性的识别为provincial hub，而P值法则将岛盖部额下回，三角部额下回和眶部额下回识别为provincial hub。Connector hub方面，眶部额上回在网络特征识别法中被一致性地识别为connector hub，而背外侧额上回在P值法中被识别为connector hub，等等。这些差异表明:hub分类识别方法的选择会直接影响到hub的分类结果;网络特征识别法的结果之间可进行参考，而与P值法的结果之间不具有较大的参考意义。　　论文的最后对脑网络的连接矩阵、局部网络特征、hub节点进行了可视化展示，这也是对前两章研究结果的一种补充。通过使用形象的图表表达形式代替前两章中抽象的数字或是文字表达形式，辅助读者更好的理解前面章节中得到的结果。