脑是人体最复杂的信息处理系统,它的复杂性不仅仅表现在脑内数亿的神经元,也表现在神经元之间关于不同感觉,行为,认知的连接模式。其复杂性决定了研究大脑时需要花费巨大的计算成本,因此,脑网络建模逐渐发展,成为一种研究大脑的有效途径。将脑网络分析应用于神经影像领域的研究中并取得了一定的进展,然而,传统功能连接网络通常是基于两两相关构建大脑区域之间的二阶关系,忽略大脑区域之间的高阶关系,而这种高阶信息可能对于探究精神疾病的内在病理机制是非常重要的。为了表征这种高阶信息,超网络构建方法被提出。超网络参照超图定义,节点表示脑区,超边表示多个脑区之间的相互作用。现有的脑功能超网络构建方法是通过使用lasso(least absolute shrinkage and selection operator)方法求解稀疏线性回归模型进行构建。即使lasso方法已成功解决了许多研究问题,它也存在一定的局限性,如缺少解释分组效应信息的能力,在构建超边选择与指定区域相关的脑区时,由于组效应的存在可能会造成相关大脑区域的丢失。为了解决组效应问题,本文提出将elastic net以及group lasso方法引入到脑功能超网络的构建中,并在MDD(major depressive disorder)数据集上进行了实验以验证提出方法的可行性。分别基于原有的脑功能超网络方法以及本文提出的两种方法进行超网络构建,比较三种超网络的结构,然后从中提取关于大脑区域特定的特征,包括三种不同定义的聚类系数以及节点的度,利用非参数置换检验进行特征选择,选取具有显著组间差异的指标作为分类特征,使用SVM(Support Vector Machine)进行分类。在实验中,分析了超网络结构,与抑郁症相关的脑区和超边模式以及分类结果,并且利用ADNI(Alzheimer’s Disease Neuroimaging Initiative)数据库中的AD(Alzheimer’s Disease)与NC(Normal Control)数据进行了实验以验证方法的有效性。实验结果表明,根据原有的以及本文提出的方法构建的三种超网络结构存在差异;比较而言,基于lasso得到的超网络与elastic net得到的超网络结构相似,与基于group lasso得到的超网络结构差异较大。超边构建中lasso方法最为严格,group lasso最宽松,elastic net方法适中。原有的基于lasso的方法,基于elastic net以及基于group lasso的方法分别可以达到81.82%,86.36%以及83.33%的分类准确率。分类结果表明与基于lasso的超网络构建方法相比,本文提出的两种方法可以得到更为有效的特征以及更好的分类效果,其中基于elastic net的方法得到的分类准确率最高。在基于ADNI数据的实验中,基于lasso,基于elastic net以及基于group lasso方法的分类准确率分别是79.66%,88.14%以及84.75%,与在MDD数据集上的实验结果类似,与lasso方法相比,elastic net与group lasso方法得到的分类结果更好,同时说明本文提出的方法对于精神疾病的分类有一定的适用性。