大脑是自然界中最为复杂的信息处理网络系统。磁共振成像技术(magneticresonance imaging，MRI)以其无创、高空间分辨率等优势，已成为脑科学研究领域的重要手段。近年来，对于复杂的精神疾病，基于磁共振成像技术的判别分析研究引起了人们极大的兴趣。以往的研究大都通过组间差异性分析寻找辅助临床诊断的结构或者功能特征。然而，通过这些方法得到的指标的分类能力仍然存疑。　　本文从静息态脑功能网络连接(functional network connectivity, FNC)的角度出发，致力于探索合适的数据分析方法以实现基于功能磁共振(functionalmagnetic resonance imaging，fMRI)数据的帕金森病(Parkinsons disease，PD)与精神分裂症（schizophrenia）的分类，同时寻找具备较高判别能力的特征指标，期望能更全面、准确地了解和分析该疾病下的脑网络连接模式。　　本文将基于机器学习的数据驱动方法应用于帕金森病的判别分析中。对于经过预处理的fMRI数据，利用独立成分分析(independent component analysis，ICA)方法定义并分离出静息态脑功能网络，之后通过基于最大不确定度的线性判别分析(Maximum-uncertainty linear discriminant analysis，MLDA)和支持向量机(support vector machine，SVM)的方法选取出具备较高判别能力的脑网络特征，最后以留一交叉验证(leave-one-out cross validation，LOOCV)策略对这些特征的分类性能进行评估。实验结果显示12个选出的功能连接特征即可对PD的分类取得不错的效果(87.72％)，同时该工作还挑选出了默认模式网络(default modenetwork, DMN)、感觉运动区、小脑等具备较高判别PD能力的脑区。在此基础上，本文进一步将脑网络功能连接特征与结构特征相结合，开展对精神分裂症脑网络特征的研究，实验结果显示多模态特征表现出更强的分类能力，而经过选择得到的42个较为重要的特征的分类效果也远高于原始特征集，这再次证实了该方法的有效性。后续的分析提示视觉网络、楔前叶、小脑等区域在区分精神分裂症患者与正常被试的过程中扮演重要作用，这些结果可能有助于了解该疾病的病理学机制。　　本文的工作表明基于机器学习的数据驱动方法能够从临床MRI数据中提取有用的特征信息，并进一步提示其具备提高疾病临床诊断效果的潜力。