目的：　　脑功能影像是目前热门的研究领域，在这个领域里数据分析的方法多种多样，同时也出现了很多的数据分析处理软件；近期机器学习中的多变量模式分析（Multivariate Pattern Analysis,MPVA）技术成为众多学者处理、分析脑影像数据的重要方法，但在处理数据过程中一些参数的设置没有统一标准，研究者大多遵循软件默认的参数设置，而这些参数的调节如何影响基于脑影像数据的模式分类的结果尚不清楚。此研究的目的在于尝试使用多变量模式分析技术，利用支持向量机（Support Vector Machine,SVM）实现基于脑影像数据的模式分类，通过对分类器各项参数的调节，观察这些参数取值的变化对分类结果的影响。调节的参数包括：SVM核函数类型、惩罚类型、惩罚系数以及图像平滑核的大小。　　方法：　　为考察SVM参数调节是否对不同类型的脑影像数据的分析结果产生不同的影响，本研究采用了两组不同的脑影像数据：　　1、精神分裂症数据：包括结构与功能磁共振数据，经诊断医师诊断为精神分裂症的患者110名，以及年龄及性别匹配的正常对照110名。以上220例数据均得到患者的知情同意，并自愿参加实验研究。该研究获得天津医科大学总医院伦理委员会的批准。　　使用DPASFA软件对数据进行预处理以及ReHo、ALFF指标的提取、使用VBM8软件进行灰质体积的提取、使用SPM软件并选择四种不同的高斯平滑核大小（FWHM分别为5mm、8mm、15mm、20mm）对图像进行空间平滑、最后经过MVPA软件基于上述不同的影像指标对精神分裂症患者和健康对照进行模式分类，分类过程中调节SVM的各项参数，从而获得各项SVM参数调节对基于不同空间平滑下得到的不同影像指标数据的分类正确率的影响。　　2、痛触觉数据：包括痛觉及触觉刺激条件下采集得到的功能磁共振fMRI数据，含50名健康被试，自愿参加本实验，并给于知情同意。该研究得到天津医科大学总医院伦理委员会批准。　　fMRI数据经过常规预处理（头动校正及空间标准化）后，对每个刺激后的第7-10个时间点的fMRI图像求均值、使用SPM软件并选择四种不同的高斯平滑核大小（FWHM分别为5mm、8mm、15mm、20mm）对图像进行空间平滑、最后经过MVPA软件基于上述不同的影像指标对痛觉刺激和触觉刺激进行模式分类，分类过程中调节SVM的各项参数，从而获得各项SVM参数调节对基于不同空间平滑下得到的fMRI数据的分类正确率的影响。　　结果：　　本研究基于不同类型的脑影像数据，考察了调节SVM的各项参数对分类正确率的影响，所得结果如下：　　1、SVM不同类型的核函数对分类正确率存在较大影响，多数情况下线性核函数的分类正确率优于非线性核函数的分类正确率；　　2、C-SVM分类器的惩罚系数C的调节以及n-SVM分类器的惩罚系数n的调节对分类正确率影响较小，尤其是C的调节对线性核函数的分类结果无影响；　　3、C-SVM和n-SVM所得分类正确率类似；　　4、分类正确率总体呈现随高斯平滑核的增大而减小；　　5、上述各项参数调节对基于脑结构指标的分类和对基于脑功能指标的分类影响类似。　　结论：　　1、利用SVM进行基于脑影像数据的模式分类，可考虑优先选择线性核函数，以避免过拟合；　　2、C-SVM或n-SVM中的惩罚系数通常情况下可选择默认值（即：C=1或n=0.5）；　　3、C-SVM及n-SVM的分类正确率类似，实际应用时可任意选择；　　4、在基于脑影像数据进行模式分类前，脑影像数据应优先考虑使用较小的空间平滑核；　　5、上述结论适用基于结构影像指标的分类和功能影像指标的分类。