婴幼儿时期是人类大脑发育最快的阶段,大脑的总容量将扩大到其初期体积的两倍。在这个期间,大脑在结构和功能上都是动态发展的,其功能将逐步完善,包括视觉、动作,以及一些高阶认知功能如自我意识、空间注意力和工作记忆等。对于婴幼儿脑发育的分析,包括认知能力评估和脑龄预测等,可以作为早期脑发育正常/异常分析和神经精神疾病诊断的重要生物标志物。婴幼儿大脑存在多个不同功能的脑区,以及具有复杂拓扑结构的神经元连接网络。然而,目前主流婴幼儿脑分析工作将人脑视作普通的向量矩阵,导致人脑中丰富的拓扑结构信息没有被充分挖掘。从数学上来说,婴幼儿大脑脑区间的关系可以用图模型来描述:将脑区视作节点,脑区之间的功能连接视作边,便可以使用完整的图模型来表征大脑的形态细节及拓扑结构。本文将基于图模型对婴幼儿大脑的进行建模分析,从深度图模型的图构造和图推理等不同角度,提出适应人脑图结构的深度图卷积算法,进行全面脑发育的分析。本工作的主要工作及贡献点如下:（1）在利用婴儿脑结构核磁数据（sMRI）进行认知能力分数预测的任务中,针对sMRI数据中神经连接信息缺失的特点,提出基于脑发育相似性进行脑网络构建的图构造算法。实验结果表明,该方法可以有效提升认知能力分数预测的效果,同时所构造的人脑图符合脑科学的相关理论。（2）在利用婴儿脑功能核磁（fMRI）数据进行脑龄预测的任务中,针对fMRI数据中信息主要集中于脑区连接上的特点,提出了以边为基础的图路径卷积推理算法,构建了全新的图神经网络BC-GCN。此外,还提出了年龄预测从粗到细的两阶段框架。实验结果表明,该图推理算法以及两阶段框架可以大幅度降低脑龄预测的误差,同时保证了误差在不同年龄段的稳定性。（3）在利用婴儿脑fMRI数据进行脑龄预测的进一步任务中,针对不同脑区之间功能性存在异同的特点,提出了引入医学先验知识的异构图构建以及异构图推理算法。实验结果表明,通过将脑区进行严谨的空间划分,该异构图版本的BC-GCN可以在同构图版本的BC-GCN基础上再次取得性能上的突破。