随着人口老龄化的加剧,老年人的健康不仅是社会关注的热点,也是神经科学、临床医学以及计算机科学等领域学者重点关注的研究方向。功能磁共振成像（fMRI）作为一种无创的脑成像技术现已广泛应用于挖掘老化过程中大脑的功能变化。然而,目前fMRI功能连接的相关研究大多采用针对相对较小样本的传统统计分析方法,这可能使得脑功能连接信息挖掘不够深入,会忽略一些脑老化功能改变的重要信息。考虑到深度学习和大数据分析对于传统统计分析方法的优势,将深度学习与神经影像学大数据相结合有望实现对脑老化信息的深度挖掘,有利于进一步加深研究者对脑老化机制的理解。本文主要基于深度学习方法,围绕大数据视角,针对功能磁共振成像数据,发展脑功能连接挖掘方法与行为评分预测方法,并将这些方法初步用于脑老化过程中的脑机制研究,发现并推测脑老化中基底节网络可能存在的代偿机制。本文的各项工作总结如下:（1）提出一种新的功能连接分析方法,用于脑老化的功能连接分析研究。基于传统方法的功能连接分析研究中,由于样本相对较少,可能导致对脑老化功能连接分析不足,从而忽略了一些功能网络改变的重要基础信息,因此本文提出了一种新的功能连接分析方法,Deep neural network with Autoencoder pretrained Functional connectivity Analysis（DAFA）,以深入挖掘功能磁共振影像在脑老化过程中一些重要的功能连接变化。该方法基于自编码机与深度神经网络并充分考虑了数据中潜在的复杂关系,能够更深入地挖掘出正常老化过程中功能连接网络变化的重要信息。研究表明,相比于年轻人,老年人的带状盖网络内部,以及带状盖网络与枕叶网络、小脑网络间的功能连接降低;默认模式网络与带状盖网络、枕叶网络、小脑网络间的功能连接升高。因此推测:在脑老化中可能存在两种神经回路分别对应功能性协调损失和代偿机制:1)功能连接降低的回路,位于带状盖网络与枕叶网络、小脑网络之间;2)功能连接升高的回路,位于默认模式网络与带状盖网络、枕叶网络、小脑网络之间。该方法具有潜在的应用前景,有望在阿尔茨海默症和精神分裂症等疾病的功能磁共振成像研究中挖掘更多重要的功能连接改变信息。（2）提出一种新的预测方法与特征可视化策略,用于脑老化相关的流体智力预测与特征可解释性探索。本文建立了一种新的流体智力预测方法。该方法提出空间自编码机,并在此基础上使用局部功能连接密度和局部功能活动的四维时空一致性指标,将深度神经网络与集成学习方法进行充分结合,对流体智力进行预测。相比于神经影像领域最为常用的预测模型-连接组学预测模型,所提出方法的预测值与真实值之间的皮尔逊相关值提高了约10%。进一步,本文还基于空间自编码机,并结合深度神经网络训练中Dropout的策略对其得到的特征进行了可视化研究,以期提高结果的可解释性。研究表明,基于空间自编码机的特征可视化策略有效地反映了用于预测流体智力的脑功能活动空间模式,进而有助于加深深度神经网络特征的内涵,有效地提升了特征模式的可解释性,加深了脑老化功能、行为学指标与特征间的联系。（3）从局部功能连接角度研究脑老化,发现基底节网络的代偿机制。脑老化过程中功能网络内的功能连接降低可能是由于认知功能的广泛减弱引起的,而功能网络之间功能连接升高可能是由于功能网络中的代偿机制造成的。但是,目前功能网络的毕生变化内在机制仍不清楚,尤其是这种潜在的补偿机制是如何在毕生变化中运行的仍处于探索阶段。本文最后采用静息态下的局部功能连接密度和局部功能活动的四维时空一致性指标,初步研究探索了局部功能连接在毕生中的变化。研究表明,随着年龄增加,认知功能下降,视觉网络、感觉运动网络和默认模式网络内的功能连接降低,而基底节网络内的功能连接有所增高。因此推测基底节网络可能在老化过程中发挥着一定的调节作用,以补偿其他功能系统的功能障碍与损伤。