利用复杂网络理论探究大脑组织结构的拓扑特性及协同工作机制是当下脑研究的热点之一。近年,磁共振成像(magnetic resonance imaging,MRI)技术的发展极大地推动了宏观尺度下的脑网络研究,从功能和结构方面系统化地揭示了脑疾病的病理生理机制。结构磁共振影像(structural MRI,sMRI)作为临床检查的常规项目,具有获取成本低、数据保有量大等优势,因此在临床及计算机辅助诊断领域均具有极大的应用前景。但是,由于其缺少时间维度的动态特性,无法在个体层面量化脑连接,因而无法将组间网络分析结论扩展至临床研究。因此,如何合理、有效地在个体样本层面构建脑结构网络是一个亟待解决的重要问题。本文以sMRI为研究对象,以机器学习为手段提出了两种基于结构特征的脑连接量化方法,并在脑疾病的自动诊断及机制研究中进一步验证了该方法的有效性。结果表明,我们的研究为揭示脑疾病的发病机制及相应的计算机辅助诊断研究提供了可靠的生物标记。本文的研究工作主要包括以下三点:第一,提出了一种基于多尺度差异信息的个体样本脑连接量化方法。该方法结合了脑区间的全局结构差异与脑区内的局部结构信息,实现了大脑皮层各区域间结构协同变化模式的量化。在识别阿茨海默症(Alzheimer’s disease,AD)和轻度认知障碍(mild cognitive impairment,MCI)患者的研究中,该结构连接的识别率分别达到了89.88%和85.43%,且在预测MCI患者在三年内是否会转化为AD的准确率达到了75.19%。此外,纳入皮层厚度和基因信息进一步提升了识别效率。该研究证实了我们提出的连接量化方法的有效性,并表明异常的皮层结构连接可以作为AD和MCI早期诊断的生物标记。第二,提出了一种基于多种灰质结构特征的稀疏化的脑连接量化方法。虽然上述方法达到了较高的诊断精度,但其忽略了大脑的稀疏交互模式和脑区结构变化产生的“一对多”的影响模式;更重要的是,使用单一结构特性无法全面地表征大脑皮层的形态学特性。鉴于此,我们提出了一种从多种脑结构特征中提取稀疏化连接模式的方法,并在此基础上构建了网络连接图谱——MFN(multifeature-based network)。我们发现MFN能够有效地表征AD和MCI引起的网络组织异常,且在识别AD和MCI患者的准确率分别达到了96.42%和96.37%,近乎达到了目前的临床评估准确率。该成果被美国生物精神病学学会(Society of Biological Psychiatry,SOBP)以新闻稿形式亮点报道。此外,我们发现MFN能够有效地捕捉自闭症对患者脑皮层结构的影响,其诊断效率达到78.63%。显著优于使用结构特征的识别率。研究结果证实了该结构连接量化方法的有效性,并进一步阐明了脑皮层结构连接在精神疾病病理学研究及计算机辅助诊断中均具有重要应用价值。第三,采用结构网络分析方法研究了疼痛刺激对脑功能网络的影响。目前,由于实验中疼痛刺激的持续时间通常较短,导致无法利用时间序列来构建功能网络。如果将每次刺激下的脑激活状态看作是一个静态的展示,则其具有与结构影像相似的数据形式。因而我们采用结构网络的分析方法研究疼痛刺激下的大脑协同工作机理。研究结果表明,疼痛刺激显著影响了大脑功能网络的拓扑特性,并引发了全脑功能模块的重组。这种重组模式可能使得大脑趋向于优先处理有害的疼痛刺激信息。此外,使用个体功能网络可以有效地识别疼痛刺激的强度,进一步提升了对刺激强度识别的精度。这些发现揭示了大脑如何在短时间内调节其组织结构以实现对有害疼痛刺激的快速响应,也有助于理解大脑中疼痛的意识是如何产生的。