静息状态功能磁共振成像(r-fMRI)技术是研究人脑功能的重要技术之一,通过脑功能网络连接来辅助诊断脑疾病的方法近年来吸引了大量学者的关注,已成为医学研究神经精神障碍的热点。目前国际上广泛采用的脑功能网络的分析策略是先对脑功能连接数据进行特征提取,然后再使用分类方法进行疾病识别。因为脑功能网络数据维度过大的问题,自动编码器无疑是一种较好的选择,并且自动编码器不仅能够降维,还能够从训练数据提取更多的抽象特征。大多数结合脑功能网络和自动编码器的研究中,往往是利用自动编码器提取特征后,再采用监督学习算法去预测疾病,但是这需要标签,仍然具有主观性。无监督学习方法中聚类可以达到预测疾病类别的目的。因此,本文通过自动编码器和聚类方法对脑功能网络进行研究,工作内容概括如下:(1)针对传统的对脑功能网络先用自动编码器提取特征后,再采用监督学习算法去预测疾病分析方法,提出一种基于自动编码器的多核模糊聚类的划分方法(AE-MKFC),该方法不仅能够对脑功能网络进行抽象特征提取,而且能够利用自动编码器的降维后的多层隐藏层信息进行聚类。对比实验验证了改进的AEMKFC算法的有效性。(2)针对大部分研究者对脑功能连接数据进行特征提取,然后再使用分类方法进行疾病识别的两步走的方法,提出一种端到端的无监督深度多核自动编码器聚类网络(DMACN)。它既能学习出潜在的高级特征,又能同时对疾病的类别进行划分。(3)设计并开发了基于自动编码器的fMRI子空间聚类识别系统,该系统主要包括fMRI图像预处理,疾病聚类识别和性能评价三个功能模块,实现了fMRI数据预处理成相应的脑功能网络,并对脑功能网络降维和聚类,和评价算法,从而达到脑部疾病识别的目的,在一定程度上能够辅助医生进行诊断。