随着脑成像技术和图论的技术的飞速发展使我们能够利用脑网络技术从结构和功能上去深入研究人类脑区之间的连接以及人脑的工作模式。大量的研究表明,人类的脑网络具有小世界、无标度的属性,即在人脑中只有少数节点具有大量的连接,称为脑中枢节点。并且,这些中枢节点在调节大脑各个区域和大脑功能（意识和认知）中发挥着核心作用。同时,研究发现多数的脑神经退化性疾病会导致脑网络拓扑结构的异常变化。由于中枢节点具有较强的连接,因而更容易遭受疾病的攻击。因此,从大脑网络中准确的检测出中枢节点已经成为神经影像学的研究热点。目前的方法主要是基于人工设定的一些中心度量指标来检测中枢节点,比如网络神经科学领域知识中的连接度这一中心度量指标。然后,基于预先定义的中心度量属性对中枢节点进行简单的排序,对复杂网络拓扑结构的刻画能力有限,同时没有考虑到不同节点之间的相互协同作用,往往会导致中枢节点检测的结果不准确。为了解决这些限制:（1）针对功能脑网络的动态特性,我们提出了一种基于图论的功能脑网络中枢节点动态检测算法,在检测每个静态滑动窗口中的中枢节点的时候并在滑动窗口中保持合理的动态性。我们在一组强迫症患者的静息态数据上进行测试,我们的方法在准确性和一致性方面都优于当前的方法。（2）对于结构脑网络,我们提出了一种基于强化学习和图嵌入的中枢节点检测算法,从现有的网络神经科学和图论的知识中学习发现潜在的中枢节点属性。我们在模拟和真实的大脑网络数据上都取得了更可靠和具有可复制性的中枢节点检测结果,表明我们的方法在神经科学和神经成像领域的各种网络分析研究中都具有很高的适用性。