对于大部分复杂网络,不论是社会网、经济网还是生物网,都潜在的具有模块性,被认为是复杂网络的一个主要组织原则。而图论为我们提供了对复杂网络进行定量的分析方法。人脑也可以抽象成为复杂网络。人脑的各个脑区可以抽象为节点;而如果脑区与脑区存在功能上的关联,那么脑区间的这种功能上的关联就可以抽象成一条边。社团结构是复杂网络的基本性质之一,通过分析网络的社团性质,可以理解脑网络的结构性质和功能关系。本文对fMRI信号低频涨落成分进行同步性分析,构建出脑功能连接网络,并基于"堆结构"的模块划分算法对其进行模块划分,并使用图论中有关社团结构以及节点的拓扑角色等相关分析方法去分析静息态下人脑功能连接网络,探索抑郁症患者在脑网络性质和连接上是否发生异常。通过实验分析研究发现抑郁症患者与正常人的脑功能连接网络在社团结构及脑区节点角色等方面有显著差异,而这些差异可能是导致抑郁症病发的深层原因。首先,我们实验表明,不论正常人还是抑郁症患者的脑网络模块度相对随机网络来讲具有显著差异。在稀疏度范围2.5%至10%内对两组的模块度做AUC,没有发现组间显著性差异,但在某特定网络稀疏度(5%,7%)下,发现模块度有显著差异。第二、对于健康组、抑郁组以及可比较的随机网络,随着脑网络稀疏度的增加,模块度(Modularity)单调下降。即在一定的阈值空间内,模块度是边数的减函数。当网络在最稀疏的100条边时,模块度最高。第三,论文中引入了"小核团"及"亲密度"的概念,通过研究并发现,对比正常组,抑郁症患者某些模块间的连边数量发生改变。第四,实验表明,两组对应的模块组成、脑区节点角色及模块角色有差异。这些差异的发现为我们在疾病诊断方面提供了 一些比较重要的研究和临床应用价值。最后,对全局脑属性模块度Q以及90节点的Z值和P值进行属性选择,选择分类性能比较好的节点。并对这些属性进行训练,最终构造出分类器。在本次研究中,筛选出分类性能排名前10的属性节点,并随机选取样本容量的70%来对这些属性进行训练,构造出分类器,最后用剩下的30%的样本容量对其进行测试。测试结果表明,分类的正确率达到90%以上。