轻度认知障碍（Mild cognitive impairment,MCI）是阿尔茨海默病（Alzheimer disease,AD）的前期阶段,MCI患者在痴呆症发病之前会有较长的时间处于该阶段。因此,MCI疾病的及时确诊为预防疾病恶化提供了重要手段。医学影像技术可以更方便、更快捷地获取结构性或功能性脑影像,然后再构建脑连接网络,进而用于分析和诊断;机器学习可以分析出MCI患者和正常人脑网络的局部或全局拓扑结构的差异,进而利用该差异对未知的脑网络进行判别,其已成为诊断MCI疾病的一个重要方法。本文对基于拓扑结构信息的脑网络分类方法进行了深入的研究,主要进行了以下方面的工作:第一,提出了从局部节点属性角度研究的多种拓扑属性融合的分类方法,分析了加权脑网络和无权脑网络在不同阈值下的介数中心性、离心率和度中心性的分类效果,并通过特征选择选取了各类型脑网络在最佳阈值下的各优势拓扑属性进行融合,以充分反映MCI患者和正常人脑网络局部拓扑结构的差异;第二,提出了一种基于相关性的特征选择算法来除去同一拓扑属性中的冗余脑区特征;第三,疾病会引起脑区间的连接关系发生改变,因而,两类样本组中能反映该连接关系的某一条最短路径的出现次数会有明显差异,利用该差异来选择判别性脑区并构建关键子网,然后再利用Weisfeiler-Lehman子树核进行相似性判别,可有效诊断疾病。为了验证上述方法的有效性,对获取到的MCI患者和正常人的脑影像进行了预处理操作并构建了脑网络,并进行了如下对比实验。加权和无权脑网络下的多种拓扑属性融合方法与仅利用无权脑网络计算的拓扑属性进行分类的方法相比,分类准确率有明显提高。提出的基于相关性的特征选择算法与未除冗余特征的方法相比,分类准确率提高了4.5%。将实现了基于最短路径的关键子网选择算法的加权脑网络与无权脑网络,以及未实现该算法的全脑网络从分类效果和Weisfeiler-Lehman子树核的迭代次数两个方面进行了对比,结果表明该算法能有效捕捉到疾病引起的脑网络的异常结构,有利于疾病的诊断。实现了该算法后得到的加权子网络和无权子网络的实验结果对比表明,表示脑区间相互作用强度的权值信息会影响最短路径的计算,进而影响异常结构的捕捉。