基于静息态功能磁共振成像（Resting-state functional Magnetic Imaging,rs-f MRI）的脑指纹是指rs-f MRI信号中存在着独一无二的特征,可以用来表明个体的独特性,然而与脑指纹识别最相关的特征至今仍没有统一的定义标准。人类连接组项目的发布以及机器学习、深度学习的发展,为脑指纹的探索奠定了技术基础。基于rs-fMRI的脑指纹识别,大多采用全部的静态功能连接进行个体识别,特征维数高,可能存在冗余特征影响识别性能,本文从挑选出对识别影响比较大的特征这一角度出发,提出了基于多尺度组Lasso的脑指纹识别方法;然后为了进一步从包含信息更丰富的动态功能连接中提取脑指纹特征,本文又提出了基于BiLSTM网络和注意力机制相结合的脑指纹识别方法;此外本文引入了SENet网络,提出了基于多尺度时空SENet网络的脑指纹识别方法。已有的研究大多基于小样本数据,样本量只有几百,容易造成模型的过拟合,本文采用了一个包含1003个样本的数据集进行实验。本文具体工作如下:（1）本文提出了一种基于多尺度组Lasso的方法来选择有识别力的静态功能连接进行脑指纹识别。已有的脑指纹识别方法大多基于全部的静态功能连接特征进行识别,很难确定哪些功能连接特征对脑指纹识别贡献大,且影响识别性能。采用组Lasso可以选出最有识别力的一些功能连接,提升识别性能。提出的方法在性能上超过了其它方法,识别率可以达到98.21%。（2）本文提出了一种基于BiLSTM网络和时空注意力机制相结合的脑指纹识别方法。同静态功能连接相比,动态功能连接包含有更丰富的信息,有助于提升脑指纹识别性能。为此,本文基于滑动窗法计算rs-f MRI的动态功能连接,并且使用BiLSTM网络提取dFC的时空特征,同时结合时空注意力机制对特征赋予不同的权重系数增强特征表示,识别率可以达到82.20%。（3）本文提出了一种多尺度时空SENet网络融合多个尺度的dFC的时空特征进行脑指纹识别。不同步长下的dFC,即多尺度dFC,包含了互补的信息,为了融合多尺度dFC的时空特征以利用更多的信息,本文使用SENet网络突出对识别任务影响力比较大的的特征,抑制对识别影响力比较小的特征,也就是对不同尺度的时空特征施予不同的权重系数,提高识别性能。提出的方法获得了92.17%的识别准确率,优于其他方法。提出的三种方法均提高了脑指纹的识别准确率,有助于更好地推动脑指纹识别研究的发展,从而为预测疾病提供帮助。