脑网络是目前脑科学研究的主要手段之一。脑功能网络基于脑影像功能数据构建,研究人员已经提出了许多方法,取得了不少成果。但脑影像功能数据采集过程中不可避免会受到采集设备参数设置、噪声以及被试自身等因素的影响,使得构建的脑功能网络存在伪连接或丢失连接,导致网络表征不准确,可靠性相对较低,某些实验无法得到较为准确的结论,且结论的重测信度较低。因此,为了精准构建脑功能网络,研究脑功能网络的构建技术非常重要。复杂网络中的链路预测技术可以预测潜在的缺失链接,并根据可用的不完整或不可靠的网络评估现有链接的可靠性。脑网络也可以表征为复杂网络,将链路预测技术应用于脑网络的重构,可以为脑功能网络的构建技术提供新的思路。常用的链路预测算法根据网络的拓扑特征和节点属性进行预测,但脑网络与其他复杂网络不同,因此传统链路预测算法应用于脑网络构建的研究还需要继续完善和扩展。另外,基于深度学习的链路预测能更加全面提取网络中的各种网络拓扑特性,但也需要结合脑网络的特点,探索一种基于深度学习的脑网络重构模型。本研究以提高脑功能网络重构技术为研究目标。一方面分析并改进传统基于局部信息指标以及基于深度学习的链路预测方法,将其应用于脑功能网络重构中;另一方面,使用ADNI（Alzheimer’s Disease Neuroimaging Initiative）、IPCAS＿1（Institute of Psychology,Chinese Academy of Sciences）两组公开数据集,通过重测信度、预测准确率等分析重构脑网络的可靠性,并将其应用于ADNI数据集中,进一步检验重构脑网络是否能可以找到更多且有效的组间差异。具体研究工作如下:（1）基于局部信息指标的脑网络重构技术及分析。局部信息作为网络拓扑结构的特征之一,可以反映节点之间的拓扑相似性和网络中局部拓扑的一致性。将基于局部信息的链路预测用于脑网络,可以对使用脑功能影像数据构建的原始网络中的连接进行去伪存真,实现脑网络重构。虽已有研究在这方面进行了探索,但还需要进一步分析哪些局部信息指标能更好地进行脑网络重构,且重构脑网络是否真正提高重测性。本研究使用IPCAS＿1数据集,并使用3种局部信息指标重构网络,从全局拓扑指标和局部节点效率指标两个视角,对比了重构网络的重测信度,结果表明重构脑网络的大部分拓扑指标的重测信度均高于原始网络。进一步,本研究分析了ADNI数据集的全局拓扑指标的重测信度;并分别利用原始脑网络和由上述3种局部信息指标得到的重构脑网络进行组间差异分析,结果表明:相对于原始脑网络,重构网络能够找到更多符合阿尔兹海默症（Alzheimer’s Disease,AD）已有研究成果的异常脑网络模式。（2）基于网络拓扑结构的变分图自动编码器模型对脑功能网络进行重构。基于深度学习的链路预测算法目前尚无应用于脑网络重构的研究。变分图自动编码器（Variational graph auto-encoders,VGAE）是一种基于图结构数据的复杂网络链路预测无监督学习模型。本研究提出一种基于该模型的脑功能网络重构模型,并与传统的基于局部信息指标进行对比。本研究首先删除部分原始网络的连接,通过均值平均精度（Mean Average Precision,MAP）、平均精度（Average Precision,AP）和AUC（Area Under Curve）值对比了基于VGAE模型与基于传统局部信息指标的重构性能。结果表明:相较于基于局部信息指标的网络重构方法,VGAE模型表现出了良好的重构效果。另外,本研究继续使用ADNI、IPCAS＿1两组数据集,从全局拓扑指标和局部节点效率指标角度对比了重构网络与原始网络的重测信度,结果表明:相对于传统的局部信息指标,VAGE模型表现出了较好的重构效果。将此模型应用于AD脑网络的组间分析结果表明:VGAE模型得到的重构网络也能找到符合已有研究结论的异常脑网络模式。综上,在已有研究的基础上,本研究完善了基于局部信息指标链路预测的脑网络重构技术,同时提出了基于网络拓扑结构VGAE模型的脑网络重构方法。研究结果表明,基于网络拓扑结构的链路预测进行脑功能网络重构,不仅提高了脑功能网络指标的重测信度,也可以发现更全面的脑网络异常。本研究为基于脑网络的脑科学领域相关研究提供了一定的参考。