脑功能连接刻画了不同脑区之间神经元活动的动态关联性,为人们理解脑疾病的病理机理提供了一个崭新的视角。近年来,基于功能磁共振成像(functional Magnetic Resonance Imaging,f MRI)的脑功能连接分类由于可以发现与某种脑疾病相关的重要脑功能连接特征,对脑疾病的早期诊断和治疗具有重要意义,引起了研究人员的广泛关注。然而,f MRI脑功能连接数据的高维小样本性和多噪声性给分类模型的构建带来了巨大的挑战。为了有效应对该挑战,f MRI脑功能连接特征归约成为f MRI脑功能连接分类研究中一个关键的研究课题。但现有f MRI脑功能连接特征归约方法大多缺乏对f MRI数据的深入分析和有效利用。粗糙集是一种处理不精确、不一致与不完备知识的数学理论,能够在未提供任何先验信息的情况下获得数据的核心知识,实现特征归约。鉴于f MRI脑功能连接是连续型数据,本文将能够直接处理连续型数据的邻域粗糙集理论引入脑功能连接特征归约研究中,并围绕该研究中特征子集评价和特征子集生成两个关键步骤开展了如下两个研究工作:(1)为了提高特征子集搜索的有效性,提出了一种基于鱼群算法的f MRI脑功能连接代数观邻域粗糙集特征归约方法(Algebraic Neighborhood Rough Set with Fish Swarm Algorithm for feature reduction in f MRI brain functional connectivity,ANRS-FSA)。该方法基于代数观邻域粗糙集理论中的依赖度来评价特征子集与标签的相关性,利用全局寻优的鱼群算法搜索判别能力强的特征子集。具体来说,该方法依据特征子集的依赖度信息对鱼个体进行初始化和评价;利用鱼群算法的觅食、聚集和追尾机制,以及交叉和迁徙两个新模拟的机制来不断搜索判别能力强的脑功能连接特征子集。与多种特征归约方法在三种脑疾病f MRI数据集上的实验结果表明:该方法可以更有效地降低脑功能连接数据的特征维度,获得分类判别能力更强的脑功能连接特征。(2)为了进一步提高鱼群算法搜索脑功能连接特征子集的能力,提出了一种基于双鱼群算法的f MRI脑功能连接信息观邻域粗糙集特征归约方法(Informational Neighborhood Rough Set with Double-population Fish Swarm Algorithm for feature reduction in f MRI brain functional connectivity,INRS-DFSA)。该方法基于信息观邻域粗糙集理论中的邻域互信息来评价特征子集与标签的相关性,利用双鱼群算法搜索判别能力强的特征子集。具体来说,该方法首先依据脑功能连接特征的邻域互信息确定初选特征集,然后在初选集上初始化鱼个体,并依据邻域互信息对个体进行评价;最后执行双鱼群策略,将鱼群划分为精英鱼群和普通鱼群,利用精英鱼群的觅食、吞食机制和普通鱼群的聚集、追尾和吞食机制不断搜索判别能力强的脑功能连接特征子集。在三种脑疾病f MRI数据集上的实验结果表明:INRS-DFSA算法能够获得比上一个工作更好的性能,而且与其它特征归约算法相比也具有明显的优势。