摘要：儿童时期常见的精神障碍类疾病发病率高,以孤独症和注意力缺陷多动症最为常见,临床诊断方法主观性强。近年来磁共振技术飞速发展,已成为脑科学研究的一个重要手段,促进了人们对大脑的认识与研究。其中,磁共振结构像能够直观的测量大脑形态的变化,功能磁共振能够快速无损的反映大脑功能活动。本文研究多模态磁共振图像的自动分类方法,对比孤独症和多动症患者与正常人大脑内部的差异性,提取特征,进行分类。研究该类疾病的分类方法不仅可使患者能够早期自动诊断,也可以认知疾病引起的大脑形态和功能的变化规律,具有重要的临床和科学研究意义。本文对31名孤独症患者、49名多动症患者和48名正常对照组进行分析,利用多模态的磁共振数据自动识别儿童精神障碍：1、首先对磁共振的结构图像做去头皮、偏场校正等预处理。对三维大脑图像进行分割,得到68个脑区和5类大脑皮层特征,共340个形态学特征。然后对所有的形态学特征进行统计分析和序列前向选择,提取优化的形态学特征集合,最后使用支持向量机对得到的特征进行训练和分类。结果：对孤独症患者和正常人进行分类,SVM-SFS的平均测试准确率可达到93.67%。2、对功能磁共振数据进行头动校正、图像配准和分割等预处理,再进行独立成分分解,得到一系列统计独立的分量,提取相应的时间序列。对距离矩阵的建模后通过流形分析,将高维空间的功能数据映射到低维空间,提取特征进行分类。结果：支持向量机对于多动症与正常人的分类准确率能够达到87.6%,孤独症和正常人的分类准确率接近80%。通过对模式分类结果的分析,可以了解孤独症和多动症与正常人的大脑,在特定结构和功能上都存在着差异。这些差异可以作为特征,对患者与正常人进行自动识别,得到很好的分类结果。本文研究可以为今后孤独症和多动症的临床计算机辅助诊断系统的构建和应用打下基础,也为深入认识这些疾病的大脑变化规律提供线索。