注意力缺陷多动障碍(Attention Deficit and Hyperactivity Disorder,ADHD)是一种注意力不集中、活动过度或冲动为症状的疾病,是儿童和青少年最常见的神经发育障碍以及精神障碍之一,容易对儿童和青少年的学习、生活等方面造成不良影响。医学影像技术不断成熟为脑疾病生理机制的研究以及诊断提供了高效、安全的成像方法。其中静息态功能磁共振(Resting State Functional Magnetic Resonance Imaging,rs-f MRI)成像技术具有高时间分辨率与高空间分辨率的优点,被广泛用于ADHD脑疾病的研究。在这些研究中,使用图论分析法对大脑网络进行建模并且结合机器学习算法进行疾病分类是一种较流行的研究方法。针对现有研究工作的不足,本文进行了两方面的工作:(1)提出了一种基于跨层节点特征提取算法的多尺度图卷积神经网络模型(Crosslayer node extraction based Multi-scale Graph Convolution Neural Network,CM＿GCN),该模型是一种深度学习算法,用于对ADHD以及正常个体的分类。其中多尺度图卷积算法提高连接边特征信息的丰富性,跨层节点特征提取算法结合低层与高层的连接信息生成更精确的节点特征。在ADHD-200数据库中进行对比实验,证明了上述两种算法以及CM＿GCN模型的有效性。(2)针对现有方法中模型分类性能受单一功能连接计算方法影响的问题,提出了一种多支路的图卷积神经网络模型。首先根据受试者的rs-f MRI时序样本构建五种具有一定差异性的功能连接矩阵,对冗余特征信息的问题具有较好的解决效果。最后输出对ADHD的分类结果。在ADHD-200数据库中NYU与PEK站点数据库分别获得91%与89%的准确率以及92%与86%的F1分数,优于现有的相关工作,证明了该算法的有效性。综上所述,本研究对图卷积神经网络算法模型进行优化,并且对大脑网络的单一建模方式不稳定性以及多特征的信息冗余问题有较好的解决效果。