大脑功能网络（BFN）是认知神经科学中非常重要的研究内容,目前已经成为人类认识和研究大脑的工具,并且被广泛应用于脑疾病的病理研究和辅助诊断。本文将正常被试和轻度认知障碍（MCI）被试作为研究对象,使用两类被试的静息态大脑功能磁共振成像（f MRI）数据构建动态大脑功能网络（DBFN）,并结合机器学习中的特征学习与分类方法对DBFN进行了多个方面的研究。本文主要内容如下:（1）基于图正则化非负矩阵分解（GNMF）的早期轻度认知障碍（e MCI）大脑功能子网络提取方法研究。该方法旨在体现大脑功能整合和分离的运行原则,并且克服了对聚合矩阵进行矩阵分解的相关缺点。首先使用滑动窗口法构建DBFN,然后将正常被试和e MCI被试的DBFN分别向量化并聚合为聚合矩阵,使用GNMF算法对两类被试的聚合矩阵进行非负矩阵分解并还原为两类被试的功能子网络。实验结果表明,与其它基于矩阵分解的算法相比该方法能够更好地体现两类被试公共子网络之间连接模式的相似性以及特异性子网络之间连接模式的差异性,并且两类被试功能子网络的拓扑属性之间也存在一定的差异。（2）基于变分自编码器（VAE）的e MCI大脑功能状态分析研究。该方法旨在体现正常被试和e MCI被试大脑活动的特点以及功能状态之间的转换规律,并且克服了使用深度自编码器（DAE）对聚合矩阵降维的缺点。首先使用滑动窗口法构建DBFN,然后分别将两类被试的DBFN通过功能连接强度（FCS）向量化并聚合为聚合矩阵。使用VAE对两类被试的聚合矩阵进行降维,然后使用高斯混合模型（GMM）聚类算法对两类被试降维之后的隐变量矩阵聚类,得到代表两类被试功能状态的公共功能网络（CFN）。分别对两类被试出现次数最多和最少的CFN进行定量分析和可视化,并分析两类被试功能状态的转换情况和时间属性。实验结果表明,两类被试出现次数最多的CFN的连接模式之间具有相似性,出现次数最少的CFN的连接模式之间具有差异性。与之前研究中的方法相比该方法更能体现这一特性,并且两类被试的状态变化过程以及时间属性的差异能更好地体现两类被试大脑的动态特性。（3）基于超图流形正则化（HMR）的DBFN构建和MCI分类研究。目前基于正则化的BFN构建方法已经拥有成熟的框架,并且已广泛应用于脑疾病的分类诊断中。其中基于流形正则化（MR）的BFN构建方法也开始得到应用,但是这种方法只能描述两两脑区之间的成对关系,不能体现多个脑区之间的交互,即高阶关系。本文将基于Pearson相关（PC）的DBFN构建方法转化为一个优化问题,然后根据DBFN构建超图和超图流形正则项,并将超图流形正则项和L1范数正则项引入到基于PC的优化问题中,得到最终的DBFN,对正常被试和MCI被试进行分类以验证本章方法的有效性。实验结果表明,该方法将超图的结构信息及其他先验信息构成正则项引入到基于PC的优化问题中,从而对DBFN构建加以约束,并且有效地提升MCI的分类性能。本文研究从不同方面阐述了MCI的致病机理以及两类被试BFN之间的差异,并且研究中涉及的方法也为MCI的辅助诊断提供新的思路。