人类的大脑有着数以亿计的神经细胞,每天记录和处理着数千万条的信息,更是在思维认知、感觉和行为时表现出不同的连接模式,被公认为目前探知到的现实世界中最为复杂且神秘的网络系统之一。近年来,复杂脑网络分析理论以人脑为基础和出发点,将其应用在脑精神疾病的研究中已成为趋势,逐渐成为医学革命发展的必然命题和人类探索大脑奥秘的重要途径。复杂脑网络分析方法不但帮助理解神经精神疾病原理,同时也为临床脑疾病的诊断提供有效的影像学标记和新的方法。随着多学科技术的不断提高与进一步交叉融合,脑网络分析将在脑神经精神疾病的研究中发挥越来越大的作用。本文以复杂网络理论为基础,紧紧围绕复杂脑网络研究这一国际热门领域,对静息态脑网络的构建及分析作出了两种方法的探讨,同时在此基础上运用新的分类模型,完成自闭症患者分类研究。利用功能脑网络进行不同组之间网络属性的差异性指标分析,并将自闭症作为疾病应用模型,探索不同年龄段自闭症患者之间差异以及自闭症诊断的影像学标志,来辅助临床诊断应用。本文主要创新工作如下:(1)基于最小生成树方法功能脑网络构建及分析不同年龄的自闭症患者所表现出来的临床表征差异很大,但这些差异在影像学指标上却难以发现。为了解决这一问题,本研究在静息态功能脑网络基础上,引入最小生成树分析方法,利用度(Degree)、介数(Betweenness Centrality,BC)、离心率(Eccentricity,Ecc)三个节点指标,对不同年龄分组(儿童-青少年,青少年-成人)之间进行差异分析。旨在揭示不同年龄的自闭症患者在网络层面的变化规律。(2)基于组套索方法功能超网络构建及分析针对传统方法构建脑网络的不足,近几年出现了新的构建网络模型方法,如超网络。但传统的超网络构建方法,由于受到脑区间组效应的影响,使得所构建的超边存在一定的随机性,从而缺少解释分组效应信息的能力,最终降低分类准确率。研究中采用一种基于组套索的超网络构建方法,并将其应用在自闭症患者的自动诊断中。利用该方法所构建的超网络,将传统方法的单一变量的选择替换为组变量的选择,即在预先定义的变量组的基础上进行变量选择。结果表明与传统超网络构建方法相比,基于组套索的超网络构建方法可以有效地去除组效应的影响,并提高分类准确率。(3)基于支持向量机分类模型验证方法可靠性完成基于最小生成树的脑网络构建及基于组套索的超网络构建后,分别根据统计显著性差异提取分类特征,结合支持向量机分类算法,建立多参数寻优分类框架,构建一个准确率较高的模型。对于不同年龄自闭症患者研究结果表明,在两组(儿童-青少年,青少年-成人)对比分析中均得到显著性差异区域,分类准确率分别为80.38%和81.88%。基于最小生成树脑网络构建方法为自闭症不同年龄患者影像学分析及辅助诊断提供了新的方法和思路。对于自闭症和正常对照组研究结果表明,基于组套索构建超网络方法同样获得令人满意的分类准确率,平均可达87.84%,验证了方法的可靠性,大大提高了自闭症诊断的准确率。