目前,人们发明了许多大脑功能检测技术,静息态功能磁共振成像（rfMRI）就是其中先进的代表。rfMRI成像技术和任务态f MRI成像相比,能够让被试者在安静状态下无需任务地快速扫描大脑得到rfMRI信号;此外,与采集脑电信号等其它技术相比具有空间分辨率高的优点。在临床应用上,静息态f MRI成像特别是对婴儿、老年人等有良好适应性而受到青睐。因此,这项技术应用将在很大程度上促进医学新技术的向前发展。熵等复杂度指标能够反映大脑状态和特性,可作为脑功能检测的定量评价参数。然而,在单一固定尺度下熵模型存在计算适用性问题,而且,熵模型能否评价认知行为的问题仍没有很好解决,这些问题都会影响检测的准确性。为此,本文提出了优化多尺度熵模型联合机器学习模型来研究血氧水平依赖（BOLD）信号复杂度与健康老年人认知分数关系,从而为静息态f MRI提供一些新的成像参数。首先,选择98名健康老年志愿者作为被试者,根据扫描前对每个被试者认知问卷得分将其分为两组:优组和差组。并对98名被试者脑部进行静息态功能磁共振扫描,得到f MRI-BOLD信号。在对f MRI-BOLD进行预处理和分区（基于AAL116模板）后,通过组间熵值统计对比（敏感性分析ROC曲线和其下面积AUC值）,对多尺度熵模型参数进行优化,从而建立了优化的多尺度熵模型。其次,在参数优化的多尺度熵模型下,先使用优化过的参数计算出各脑区熵值,统计组间差异显著性并筛选出对认知分数敏感的脑区,再利用具有较高统计意义的标志性脑区熵值构造特征向量。最后,把数据分成训练集和测试集两个集合,分别利用支持向量机、极限学习机两种机器学习方法对优、差认知评分的两组数据进行分类,通过10折交叉验证进行分类验证。研究发现,基于rfMRI的优化多尺度熵模型对老年人认知评分的评价在9个脑区存在显著差异,即,左内侧额上回、左后扣带回、右海马、右距状裂周围皮层、右楔叶、右豆状壳核、右颞上回、右颞极:颞中回、左颞下回等。以这些脑区的优化熵值为特征向量输入到机器学习中,对认知评分分类的准确率可达80%。本研究强调了优化多尺度熵模型参数的重要性,并联合了机器学习方法实现精准分类,为rfMRI替代主观繁琐的传统认知量表测验提供了一种新的检测参数和新方法。