近年来,通过提取大脑功能网络特征并对大脑功能网络进行分类的研究已成为当前热点。目前机器学习的方法已经可以完成对个体的自动分类,并能对脑疾病的病灶区进行定位,但机器学习的方法受人为因素的影响,难以获得理想的分类精度。本文通过正常被试组（Normal Control,NC）和早期轻度认知障碍（early Mild Cognitive Impairment,eMCI）组的静息态大脑功能磁共振成像（functional Magnetic Resonance Imaging,f MRI）数据构建动态大脑功能网络,利用深度神经网络对动态大脑功能网络的分类展开研究。主要内容分为两部分:（1）基于空洞卷积神经网络（Dilated Convolutional Neural Networks,DCNN）的大脑功能网络分类研究。利用滑窗法分别构建NC和eMCI患者组随时间变化的动态大脑功能网络。在传统卷积神经网络（Convolutional Neural Networks,CNN）的特征提取法的基础上,引入新颖的DCNN,将脑网络输入不同结构的CNN模型中训练,分析不同结构CNN,不同扩张系数以及不同窗口长度对分类结果产生的影响。实验结果发现,与传统的CNN相比,DCNN能够获得最精确地分类结果和最快的收敛速度,并且阈值、窗口长度等客观因素对DCNN分类效果产生的影响较小。这说明DCNN提取的特征的表达能力比经过池化层的CNN更强,在增大感受野的同时,保留的脑功能连接信息更多。（2）基于网络嵌入算法的大脑功能网络的图像转换及其分类的研究。首先对大脑f MRI数据进行预处理,用标准化模板将大脑分区并提取时间序列,计算其相关性并设置阈值构建动态大脑功能网络。其次,运用网络结构嵌入算法（Structure Deep Network Embedding,SDNE）将大脑功能网络转换为图像形式。最后运用DCNN提取和整合图像的特征输出分类结果。但是大脑功能网络具有一定的稀疏性,直接利用SDNE获得图像与原数据的差异较大。因此,本文设计了稀疏结构深度网络嵌入自编码器（Sparse Structure Deep Network Embedding,SSDNE）,即在SDNE的损失函数中添加稀疏项。SSDNE能够避免隐藏层神经元数目大于输入层而引发的过拟合问题。对比分析不同情况下大脑功能网络分类结果的差异。通过以上的研究,一方面验证了DCNN的空洞卷积层的特征提取方法比传统的池化层能保留更多的功能连接信息,提取了更有效的特征,获得的分类结果更准确。此外,部分脑区被标记为与eMCI相关的生物标记,说明这些脑区的特征的改变在eMCI分类中起到决定性的作用。另一方面,本文成功的将大脑功能网络推广到DCNN,最终的实验结果验证了该方法的有效性。