计算机科学、认知科学、神经科学、物理学、统计学、光学成像等学科的持续发展,使科学家拥有了前所未有的工具来研究大脑这个复杂系统。鉴于大脑的复杂性、自适应和可塑性,彻底理解大脑的工作方式和人类认知与意识的产生机制离不开跨学科的广泛合作。实际上,计算机科学为诸多研究问题如气候变化、可持续发展、神经网络、图像识别等提供了强有力的计算模型和算法支持,是交叉学科的典型代表之一。本文将计算技术应用于对大脑这个复杂系统的探究,使用网络科学方法把大脑表示为网络,节点代表每个脑区,连边代表脑区之间的统计相似性。不同于以往的聚焦在低阶（节点和连边）层面的大尺度脑网络研究,本文主要关注髓鞘微结构网络的拓扑属性,致力于开发一套稳健的高阶分析框架衡量不同规模和不同尺度复杂系统之间的高阶关系,应用高阶算法来系统研究大脑结构-功能的复杂交互,揭示大脑结构-功能关系的基本规律,并把这种高阶方法应用到自闭症（孤独症）的研究中,挖掘其潜在的理论和应用价值。首先,为构建基于髓鞘的微结构形态学脑网络,本文应用概率密度估计和KullbackLeibler散度构建了个体水平的髓鞘微结构网络,挖掘该网络的拓扑属性以及与认知的关联。结果表明个体髓鞘网络具有小世界属性和模块化结构,并且全局拓扑指标与个体的智商显著相关,个体髓鞘微结构网络可以作为功能网络研究之外的一个有效补充,并且具备一定的生物学意义。其次,为解决在节点或连边层面分析复杂网络的不足,本文基于高阶子图,开发了一个有效的网络高阶分析方法来刻画复杂系统。以往对于大脑网络的研究聚焦于节点和连边水平的分析,取得了丰富的研究成果,为理解大脑在大尺度的工作机制和挖掘脑疾病潜在异常靶点提供了重要参考,但是其忽略了高阶结构（模体、子图、超图等）在大脑中的表征模式。因此,本文提出一个稳健的高阶计算框架,融合高阶子图,互信息和统计相关,把不同尺度和不同规模的复杂系统压缩为同等维度的特征,实现衡量不同复杂系统之间的高阶关系的目标。结果表明在不同类别的真实网络分类中,基于高阶特征构建的网络的网络（Network of Networks）有效捕捉了网络本身的信息,为研究大脑网络的高阶特征提供了方法学准备。然后,为全面刻画大脑的结构-功能关系,本文基于提出的网络高阶分析方法,系统研究了大脑结构网络-功能网络的高阶关系,发现大脑的结构-功能关系若干新的组织原则。人脑有一个相对静态的结构,却可以支持多种丰富的认知功能（学习、社交、思考、睡觉等）,这种一对多的关系让人十分着迷。大量结构-功能关系的研究都是基于DTI和f MRI,虽然有研究表明髓鞘协方差网络和功能网络的对应存在梯度变化,在视觉皮层较高,在联合皮层较低。但是,髓鞘协方差网络是基于群体水平构建的一个网络,因此,不能实现对个体认知行为的推断。作为回应,本文研究了个体髓鞘结构网络和功能网络的高阶关系,并考虑性别、年龄和模拟攻击对高阶结构-功能关系的影响。结果表明髓鞘微结构-功能高阶关系随着年龄组（22-25岁,26-30岁,31-35岁）增长呈现出下降趋势,该趋势在男性被试上最为明显,并且有针对性的对重要脑区进行模拟攻击可以显著破坏结构-功能的高阶关系。重要的是,从整个大脑到局部神经环路这种结构-功能的高阶关系都得到保持,这是一个重要的基本原则,可能会对脑疾病的理解、类脑智能的开发提供新的启发。最后,为检验本文提出的高阶分析方法在临床疾病中的效力,本文应用自闭症被试的结构图像数据,构建个体形态学网络,使用高阶特征实现了对自闭症被试和典型对照组的分类。具体来讲,本文报告了自闭症被试的高阶表征模式,侦测到一些皮层下区域（尾状核、丘脑和苍白球）表现出高阶特征的异常,这些脑区在以往的DTI和f MRI研究中也被侦测到,表明形态学脑网络作为影像标记物的价值。此外,这些异常的高阶特征可以用于机器学习模型,实现对自闭症被试和典型对照组高准确率（86.3%）分类,反映出高阶特征在疾病辅助诊断方面的应用潜力。总之,本文基于个体水平的髓鞘微结构网络,应用高阶计算框架探索了大脑结构-功能的高阶交互模式,并且把高阶特征应用于对自闭症被试的分类中,发掘了网络分析从低阶视角转到高阶视角的新的证据,具有一定的理论价值和应用价值。