孤独症谱系障碍疾病（Autism Spectrum Disorder,ASD）是一种常发病于婴幼儿时期的神经发育障碍性疾病,会造成患者的认知能力、表达能力、社交能力受损。目前ASD发病机制尚不明朗,这给临床诊断带来一定的困难,目前主要方式是通过行为观察及量表的评估,诊断结果存在较大的主观性。因此,寻求一种客观且科学的生物标志物实现更加精准地诊断是非常重要的。随着神经影像学的发展,静息态脑电图（Eletroencephalography,EEG）信号被认为是一种可以有效捕捉大脑状态的工具,被广泛应用于探究各类神经疾病的研究中。本文提出基于时域微状态和频域构建因效脑网络的分析方法对25名ASD儿童和同等数量正常发育儿童进行EEG特征提取。并提出使用基于时、频特征融合的机器学习分类算法,验证所提取的特征在识别ASD早期患者方面的能力。在微状态分析中,计算每个EEG数据的总体电场功率（Global Field Power,GFP）并绘制GFP曲线,使用聚类算法将每个被试EEG的GFP曲线局部峰值处的脑电地形图聚类为4个,再次使用聚类算法对组内每个EEG数据得到的4个状态聚类,得到4类微状态。通过脑地形图相似性将4类微状态拟合回每个EEG数据,提取ASD和正常儿童两组中4类微状态的持续时间、发生频率、时间覆盖率、转移概率等特征。结果发现微状态A、C和D的持续时间、微状态A、B的时间覆盖率、各类微状态的发生频率和转移概率在两组中都表现出显著差异,通过计算低阶马尔可夫模型发现各类微状态在时间上的转移是非独立性的。在因效脑网络的分析中,为了充分利用EEG信号丰富的频域信息,提出使用在定向传递函数基础上改进的自适应定向传递函数（Adaptive Directed Transfer Function,ADTF）算法计算两两通道间频域上的信息流,从而构建一个随时间变化的动态脑网络。通过图论分析方法,计算并分析ASD儿童和正常儿童脑网络在全时间段上的属性特征,包括节点度、聚类系数、特征路径长度、全局效率和局部效率。结果发现,ASD儿童脑网络的连接边数目和强度弱于正常儿童,两组被试在各个时间点上的网络属性保持比较稳定的状态,而ASD儿童的节点度、聚类系数、全局效率和局部效率全都低于正常儿童,特征路径长度高于正常儿童。最后通过构建支持向量机（Support Vector Machine,SVM）、随机森林（Random Forest,RF）和K近邻（K-Nearest Neighbor,KNN）算法等三种机器学习分类模型,将微状态和基于ADTF的因效脑网络等特征以单一或融合的形式分别输入模型中进行分类,最高准确率达到92.08%。