精神分裂症是一种复杂的精神疾病。探究精神分裂症发病机理不仅有助于疾病本身的诊断和治疗，也会促进人对人脑这一复杂并且至关重要的器官的理解。功能磁共振成像技术以及基于静息态功能成像技术的脑网络方法逐渐成为探究这一疾病的病理生理机制的重要手段。现有的研究支持精神分裂症是一种失连接的精神疾病，主要体现在脑区之间的结构连接或者功能连接的异常。然而由于精神分裂症本身的复杂性，现有观测技术的局限性，以及已有研究样本数的局限，过往研究结果给我们的结论有限而模糊。而针对精神分裂症的不同维度症状进行自下而上、各个击破的研究，不失为理解这种复杂疾病的有效路径。此外，随着该领域的推进，研究者们开始运用机器学习技术等先进的数据分析手段分析影像数据，有助于直接探索自动诊断精神疾病的方法。本文旨在基于静息态功能连接的脑网络分析方法，探究精神分裂症的脑网络受损特征，特别是针对工作记忆“核心”网络，并试图利用机器学习技术来获得自动诊断方法。本文的具体研究内容和创新之处如下:　　1.基于激活共变模式的分区方法。选择合适的脑区结构作为脑网络的节点是脑网络分析的基础。一般而言，我们强调每个节点是功能相对独立的脑区。因此，研究如何对人脑进行分区是脑网络技术的课题之一。在本项工作中，我们提出了一种利用与感兴趣区域相关的任务实验做荟萃分析进行分区的方法。通过估计每个体素在各个实验中的激活值作为它们的激活模式，进而计算两两体素的相似度来聚类得到划分的子区。我们比较了新的方法和细胞构筑以及其他基于文献坐标方法的分区结果，证明了该方法的有效性和优势。此外，利用文献中的实验任务信息，通过比较每个子区和全脑激活点对应实验的分布，可以推断每个子区的功能画像。　　2.考察了精神分裂症工作记忆“核心”网络内部的功能连接特征。基于现有荟萃分析定义的工作记忆“核心”网络，主要包括额叶、顶叶、脑岛等区域。我们比较了这些节点之间功能连接在精神分裂症患者和正常人两组间的差异。研究发现，精神分裂症患者在四条连接中表现出功能整合能力减弱（连接降低），这些功能连接的受损可能意味着患者在执行工作记忆任务时对无关信息的抑制能力以及注意力的分配机制受到损害。我们使用了荟萃分析的方法来对中心大样本数据进行统计分析中，提高了统计效力。　　3.基于多任务学习方法对多中心大样本精神分裂症数据做特征选择和分类。以脑功能连接作为特征对精神分裂症样本分类是一个高维小样本的分类问题。特征选择是至关重要的一个步骤。考虑到由于不同来源的精神分裂症脑影像数据的异质性，导致分别在每个数据集上单独做特征选择的不一致，我们采用了多任务学习方法，即通过L12范数约束分类器在不同数据集上所选择的特征的一致性，使得所选特征是在所有数据集上对分类都有贡献的特征。我们发现几条功能连接对分类任务有一致稳定的贡献，这些功能连接可能反映精神分裂症最核心的病理特征。同时我们发现，为了保证较高分类精度，分类器必须纳入绝大部分功能连接特征。这些特征广泛分布于全脑，因此我们推测精神分裂症是一种弥散性的失连神经生理精神疾病。