自闭症谱系障碍（ASD）是一组广泛性发展障碍且没有有效的诊疗方法。对ASD的建模研究,有助于医生了解该疾病的病理机制并做出正确的决策,从而对疾病进行有效干预,提高患者生活水平。静息态功能磁共振成像（rs-f MRI）由于其无创性且相对较高的时空分辨率,目前被广泛地用于ASD的病理机制研究。基于神经影像的机器学习方法为ASD的研究提供了有效的途径,但现有研究存在诸多局限性,如模型没有考虑到脑网络的先验知识、多模板特征之间的互补性以及多中心数据的异质性问题等。针对存在的问题,本文提出基于多模板多中心学习的自闭症谱系障碍诊断模型（细分为两个方法）,并在ABIDE数据集上验证所提出方法的有效性:（1）为了合理的建模脑网络,正确表达脑区之间的关系,本研究在构建功能连接网络时比较了不同的数据拟合方法,并融入了大脑的先验知识。为了提高ASD的诊断结果,本研究在网络构建的基础上,提出一种新的多模板多中心集成分类框架,将稀疏特征学习、流形学习和分类统一在同一个框架中。具体地,为了从多个角度学习疾病相关的鉴别性特征,我们把多任务稀疏特征学习作为模型框架,每个模板空间的特征学习是一个任务。另外,为了学习每个模板空间的局部流形结构,我们设计了一个独特的流形正则化项。在这里,我们的相似性矩阵是通过自适应方法获得的,这样可以减少噪声,从而获得更加准确的流形结构。与此同时,为了平衡每个任务的贡献,每个模板空间的权重是自动分配的,而无需额外的参数。最后,为了有效缓解数据异质性问题,我们利用多模板多中心集成来获得最终的诊断结果。该方法在不同的成像中心进行了实验验证,分别获得了77.63%,82.73%,78.11%和89.13%的平均精度,大量的实验结果表明,我们的算法相当有吸引力和优势。（2）为了研究多模板特征的互补性以及结合人口表型信息,我们构建了一种多任务图卷积网络模型。首先,为了获得有效且互补的特征,我们为每个受试者构建多个功能连接网络。其次,我们利用功能连接网络特征结合人口表型信息构建人口表型特征图。最后,本文以多任务学习为框架,将每个模板空间的特征学习当作一个任务,训练多个图卷积网络模型对特征图进行学习,获得诊断结果。该方法在四个成像中心组成的数据集上获的67.91%的平均分类准确率,表明所提出的方法能够有效应用于多模板多中心数据对自闭症谱系障碍的诊断分析研究。