脑功能超网络模型已经被广泛的应用于脑疾病诊断的应用研究当中。因为超网络模型能够表示多个脑区间的高阶关系,所以该方法在脑疾病的诊断领域已经表现出了极强的生命力。然而,现有的大多数科研人员主要集中于研究不同的脑功能超网络构建方法的优劣。均利用单一属性（如聚类系数）或简单的线性拼接来表征脑网络的拓扑。但是不同的拓扑属性代表着超网络中不同的拓扑关系,虽然聚类系数在脑疾病诊断系统中也表现出了很好的分类性能,但可能忽视了超网络中其他拓扑属性的作用。而且,现有的研究中并没有黄金标准规定哪些指标更有利于量化脑功能超网络的拓扑,无法区分不同拓扑指标分类性能的优劣。同时,利用单一拓扑属性或简单线性拼接构成的特征集包含的信息也可能过于片面,无法全面地表征超网络的拓扑结构,最终影响诊断模型的准确性。此外,传统分类器在分类过程中也可能无法很好的发挥融合特征集的性能。因此,本文引入了超网络领域常见的拓扑指标,先将单一特征进行了对比。然后构建出了一个包含信息更完备的融合特征集并进一步结合多核扩展的方法提出了一种基于多特征融合的脑疾病诊断模型。该模型能够融合不同拓扑属性的信息,显著提高模型的精确度。为以后的脑功能超网络领域的研究者提供了一个更好的选择。本文的主要创新工作如下:第一,引入了多种不同的超网络拓扑指标用于分类研究,并设计详细的实验对比了不同属性特征分类性能的优劣,挖掘并分析使用不同特征在分类过程中的潜在差异,筛选出更有利于脑疾病分类的拓扑属性。实验结果表明11种常见的超网络拓扑属性中,有3种单节点聚类系数、2种双节点聚类系数以及平均最短路径6种特征明显表现出更好的分类性能,为该领域的相关研究者选择拓扑属性时,提供更全面的参考依据。第二,构建出包含信息更完备,更适合脑疾病分类的融合特征集。为了弥补过往研究中特征集包含信息可能过于片面的缺点,本实验使用本领域中最常用的线性拼接的方法将对比实验中筛选的6种优秀特征构建出的融合特征集。并通过设计多组对照实验,证明该融合特征集在P<0.05、相同特征数目下的分类精度、Relif-F权重、相关性、冗余性、过往方法的对比等多个角度都比单一特征和其他融合特征集更优越。第三,建立完整的多特征融合的分类模型。传统的分类器可能无法在分类过程中很好的发挥融合特征的性能,因此还需要进一步的引入晚期融合的方法。多核学习中的加权线性核虽然在脑疾病领域应用广泛,但是该方法无法很好的保留原特征集中的局部信息。因此本文在构建的融合特征集的基础上进一步结合多核学习中的多核扩展方法构建出完整的多特征融合的分类模型。该分类模型一方面使用六种优秀特征来构成融合特征集,包含的信息更充分全面,另一方面也使用基于多核扩展的特征融合方法进一步提高了模型的分类性能。并且在P<0.05、Relif-F等多个方面证明了该分类模型分类性能的优越性。本文还在ADNI公开数据集上进行了重复性验证,证明了本文融合特征集和多特征融合分类模型性能的可重复性。综上所述,本文一方面通过对比实验分析出了11种常见拓扑属性分类性能的优劣,为疾病诊断中拓扑属性的提取提供了一个参考依据。另一方面,也提出了一个包含信息更全面的融合特征集,并进一步提出了一种分类性能更优秀的多特征融合分类模型。可以为之后的脑功能超网络诊断系统的开发提供一个更好的选择,避免了使用单一特征以及盲目使用特征拼接可能带来的信息缺失的问题。