自2002年起，脑部疾病已成为导致全球人类死亡的第二大病因。在脑部疾病诊断过程中，脑部医学图像能够以非侵入的方式对正常和不正常的脑部结构进行清晰的可视化，从而成为医生进行脑部疾病诊断的重要工具之一，这也使医院产出大量的脑部医学图像。这些急速增长的图像促使研究由假设驱动的研究模式转变为数据驱动的研究模式，从而使面向脑部医学图像的计算机辅助分析成为健康医疗大数据领域的一个重要研究分支。
　　在脑部医学图像分析领域，如何有效地从图像中提取特征一直是热点研究。目前图像特征主要分为两类:人工设计的特征和自动学习的特征。人工设计的特征包括高水平语义特征和低水平视觉特征。图像中的对象及其之间的空间拓扑关系是图像的高水平语义特征，常用的表示方法为图模型。但是，现存的面向医学图像的图模型没有考虑大脑左右半球的对称性与连通性，且针对脑部医学图像的重要模式挖掘也没有得到很好地研究。角点能够以较少的信息来描述图像的形态和灰度变化，是一种高效的医学图像低水平视觉特征。目前，基于角点的脑部医学图像分析主要是针对图像进行配准，利用角点对脑部医学图像进行分类仍没有有效地研究。以上两种研究均是基于人工设计的特征对脑部医学图像进行分析。基于深度学习的图像分析方法直接以图像作为输入进行特征的自动学习，无需任何预定义的人工特征。在深度学习模型中，卷积神经网络在一般图像（例如景物等）上的识别能力已超过人类。目前存在一些基于卷积神经网络的脑部医学图像研究，但它们存在如下不足:(1)大部分研究以经过一系列复杂预处理之后的数据作为输入，而不是直接以脑部医学图像作为卷积神经网络的输入;(2)这些研究均是面向横向医学图像进行的研究，纵向医学图像可以很好地展示病变特征。针对以上不足，本论文提出三方面的研究，具体研究内容如下:
　　(1)结合脑部特征，本论文提出面向脑部医学图像的图建模和频繁近似子图挖掘方法，用来辅助医生对特定疾病进行分析，找到疾病的原发病因以及潜在的治疗方案，且挖掘出来的频繁近似子图也是其它图像分析方法的基础。具体而言，首先，结合大脑左右半球的对称性与连通性，本论文提出一个基于侧脑室和病变区域的拓扑关系图来表示脑部医学图像;其次，结合大脑中不同区域之间的不可比性，本论文提出一种基于图编辑距离的频繁近似子图挖掘方法;最后，为提高挖掘方法的执行效率，本论文提出一种基于贪心策略的近似挖掘方法。实验表明，本研究提出方法与同类方法相比，具有较高的执行效率和良好的扩展性。
　　(2)结合脑部医学图像的诊断信息，本论文提出一种基于角点检测与匹配的脑部医学图像分类方法，用于辅助医生进行诊断。具体而言，首先，结合医生对脑部医学图像进行诊断时给予不同区域不同的关注这一诊断信息，本论文提出一种基于多层纹理图像的角点检测方法;其次，结合大脑的稳定性和不确定性，本论文给出初始匹配角点对序列，但是此序列存在冗余信息，为此提出利用二分图求解最终匹配角点对序列的方法;最后，根据角点匹配的结果，本论文给出图像的相似度计算公式，并结合最近邻模型对脑部医学图像进行分类。实验表明，本研究提出的方法与同类方法相比具有较好的准确度和召回率以及较高的执行效率和鲁棒性。
　　(3)结合现存的深度卷积神经网络和循环神经网络模型，本论文提出一个基于纵向脑部医学图像深度学习特征的疾病分类方法，用于更精准的计算机辅助诊断。具体而言，首先，本论文对最先进的深度卷积神经网络模型进行迁移学习，从脑部切片图像中提取特征;其次，利用词袋模型整合切片图像特征，得到纵向图像特征;最后，设计一个循环神经网络从纵向图像特征中学习疾病的变化特征，用于更准确的辅助诊断。实验表明，本研究提出的方法取得了较高的分类准确率和较好的执行效率。