精神分裂症是一种复杂且致残率高的慢性精神疾病,给患者及其家属带来沉重的负担。准确地诊断精神分裂症可以及时抑制患者病情发展并给予进一步治疗。目前,精神分裂症的诊断主要依赖于主治医师的经验以及相关量表,过程复杂且缺乏客观的标准,同时早期的精神分裂症患者并不会表现出明显的行为异常,这极大增加了精神分裂症的诊断难度。近年来脑影像学技术逐渐成熟,静息态功能磁共振成像（resting-state functional Magnetic Resonance Image,rs-fMRI）因其无创、无辐射、时空分辨率高的优点被广泛应用到精神分裂症的研究中,同时使用机器学习方法实现基于rs-fMRI的精神分裂症自动分类可以辅助医生做出诊断,具有重要意义。本文从基于rs-fMRI的精神分裂症研究进展出发,针对目前精神分裂症分类研究中存在的模型分类性能较低和分类特征较为单一的缺陷,引入深度学习相关方法,提出了两种基于rs-fMRI功能连接的精神分裂症分类模型,并测试了不同类型功能连接数据对于模型分类性能的影响。论文主要工作总结如下:（1）针对功能连接的时变特性,本文提出了一种可结合动态和静态功能连接两种特征进行分类的深度学习方法CCNN-Attention模型。本模型首先通过一个专用于功能连接数据特征提取的卷积神经网络对输入特征进行降维,之后使用注意力网络对特征进一步加权,最后由全连接网络整合特征并分类。通过测试多种分类模型证明,结合使用动态和静态功能连接两种特征可以有效提高模型分类性能,且本文提出的深度学习方法获得了最高的分类准确率。（2）本文考察了不同动态功能连接提取方法对于CCNN-Attention模型分类性能的影响,分别使用空间距离法、jackknife、时间导数法、瞬时相位同步法、矩形滑动窗法和锥形滑动窗法提取脑区间的动态特性,实验结果表明瞬时相位同步法取得了最高的分类准确率为79.74%。同时本文分析了静态和动态功能连接中最具鉴别力的脑区,两种特征提取到的脑区没有明显重合,说明动态和静态功能连接互为补充,综合分析两种特征可以更全面地认识精神分裂症的致病机理。（3）针对功能连接的结构特性,本文提出了一种基于空域图卷积模块Edge Conv和卷积神经网络的深度学习方法Edge Conv-CNN模型。通过将脑区作为节点,脑区间的功能连接系数作为连边,把fMRI数据构建为图结构数据作为输入。模型首先使用图卷积网络聚合空间上相连的节点特征,并采用多尺度特征融合技术,使提取到的特征矩阵既包含局部信息又包含全局信息,之后采用卷积神经网络对各节点特征降维,最后由分类网络整合节点信息并分类。本文研究了不同方法提取到的功能连接矩阵作为邻接矩阵对于分类结果的影响,最终利用相关性方法求得的功能连接矩阵取得了最高的分类准确率。同时对比了不同分类模型的分类性能,本文提出的Edge Conv-CNN模型取得了最高的分类准确率为84.1%。