精神分裂症是一种严重的精神疾病,具有复杂的神经机制,其病发原因至今尚未明确。同时其临床症状涉及到思维、情感和行为等多个方面,且存在明显的个体差异性,使得对于病情的诊断较为困难。由于精神分裂症是一种神经发育异常疾病,研究患者的大脑机制变化,对其病理的揭示以及患者的合理治疗都有重要的意义。静息态功能磁共振成像（fMRI）是一种非侵入式脑影像采集技术,能够记录脑神经在基线状态下的自发活动,被广泛应用在各类脑部疾病的研究中。在过去的几十年间,复杂网络理论飞速发展并被广泛应用,其对于复杂的系统具有较好的刻画能力,适用于多元时间序列分析领域。深度学习技术具有从数据中学习有效表征的强大能力,目前已广泛应用于图像处理领域,但基于fMRI信号的研究还十分有限,本文以128名精神分裂症患者和103名匹配的健康对照组的静息态fMRI信号为研究对象,展开了系统的研究工作,具体内容如下:（1）基于皮尔森相关性系数、互信息以及格兰杰因果三种时间序列分析方法,构建了被试者的大脑功能网络模型,并用于探索静息状态下,精神分裂症患者各大脑区域的变化。通过计算网络节点属性,定量的刻画了网络的拓扑特征。结果表明患者的额叶、海马以及颞叶等脑区都存在显著的异常。基于以上脑区进一步构建病理亚网络,以揭示脑区间功能连接的改变,结果表明患者的双侧眶回和右侧海马的亚网络内以及颞回内的连接强度发生了变化。（2）在分析了患者脑网络节点与连边变化的基础上,进一步从网络结构的角度分析了患者的大脑变化,主要采用了模体、rich-club以及社团三种分析方式。模体图谱能够揭示脑网络局部连接模式的变化情况,分析结果显示患者的网络拓扑重组主要发生在额叶、前扣带回和海马旁回。Rich-club属性可以揭示网络节点间良好的连接趋势,分析结果表明患者大脑中枢节点间连通性水平的降低。网络的社团划分可以揭示脑区与外界的信息交互倾向,结果表明患者的海马体、海马旁回及杏仁核之间形成了相对独立的功能连接。（3）提出了一种结合复杂网络方法的卷积神经网络模型,用于实现对精神分裂症患者的诊断。主要思想可以概括为基于互信息构建成像信号的网络模型,并提取其邻接矩阵输入深度学习模型中,构建卷积神经网络实现输入特征的提取并输出分类结果。这里同样使用231名被试的数据进行研究,验证结果表明,该模型在患者的诊断任务中取得了85.2%的平均准确率,与已有研究相比取得了明显的提升。