智商是衡量个体认知能力的重要指标,与大脑功能密切相关,其客观有效的度量不仅具有科学意义,还具有一定的实用价值。静息态磁共振成像（f MRI）技术根据血氧水平依赖（BOLD）信号来获取大脑自发活动,其无创性、时间和空间分辨率高以及不同样本之间的可比性使得该技术在脑功能研究领域得以广泛应用。随着机器学习技术的进步,基于静息态f MRI客观测定智商成为了领域内的热点课题。基于静息态f MRI的智商客观预测研究还存在着诸多不足:（1）现有的研究大多忽略了人脑网络的拓扑结构特征,且针对脑网络拓扑结构设计的BrainNetCNN的输入不符合人脑网络是无标度网络的特性;（2）当前研究多是基于单一模板进行预测;（3）现有的研究多是基于时间平稳性假设提取特征。为此,本研究基于HCP1200数据集的991个样本的静息态f MRI图像开展了如下三项研究工作,以实现对个体流体智商、晶体智商和总智商更为有效的预测:（1）基于稀疏BrainNetCNN的个体智商预测。针对人脑网络并非是全连接网络的问题,本文提出构建稀疏BrainNetCNN用于智商的个体化预测,即仅选择强的功能连接作为BrainNetCNN的输入。实验结果表明,与不进行稀疏化的原模型相比,基于稀疏BrainNetCNN进行个体智商预测时,流体智商、晶体智商和总智商的预测精度均有所提升。（2）基于多模板学习的个体智商预测。为充分利用不同模板之间提供的互补脑功能信息,本研究基于100、200、300个感兴趣区（ROI）的模板,分别使用基于特征简单连接和基于集成学习策略的多模板学习方法进行个体智商预测。实验结果表明:多模板学习方法要优于单模板学习方法;基于集成学习策略的多模板学习要优于基于特征简单连接的多模板学习;深度模型的表现要优于浅层模型。（3）基于动态功能连接的个体智商预测。为捕捉人脑功能网络的动态变化,本研究提取了动态功能连接的在时间维度上的均值和方差作为特征,开展了智商的个体化预测。实验结果表明:基于动态属性特征可以实现智商的个体化预测,但预测精度较静态功能连接要低;融合动态属性特征和静态功能连接也不能有效提升智商的预测精度。这些结果提示,在智商预测方面,静态功能连接可能是个体脑功能更为稳定可靠的描述方式。综上所述,本研究的贡献在于:（1）在BrainNetCNN中引入稀疏性,实现了对个体智商更为精准地预测;（2）利用多模板提取互补的脑功能特征,进一步提升了智商的预测精度;（3）尝试利用人脑功能网络的动态属性特征进行智商的客观预测。