近年来,自闭症对儿童以及青少年的健康成长影响越来越大。由于自闭症后期诊断治疗的难度大,在前期特别是婴儿时期进行超前的诊断和提前干预治疗显得极为重要。随着核磁共振技术的发展,通过大脑的核磁共振数据对自闭症进行有效的治疗也在不断被研究挖掘。目前,核磁共振对于诊断婴儿的自闭症问题仍然存在诸多挑战:（1）数据获取难度大数据量少;（2）数据类别间数量不均衡性强;（3）数据特征类目不够丰富;（4）不同个体大脑的异质性差异。基于上述挑战,本文主要研究内容和贡献如下:针对自闭症核磁共振数据的数据量少的问题,本文提出一种孪生相似性学习网络,转化分类思想,将单样本输入转换为双样本配对输入,增加了网络模型的数据输入量。引入了路径重积分这一数学工具对婴儿脑区磁共振数据在时间维度的信息进行特征提取和补充,模型和特征两者结合后的模型结构对于自闭症的诊断是一个很有效的方法。针对婴儿结构性磁共振数据中的自闭症和正常样本数量不均衡的问题,提出了基于双通道自编码器和孪生相似性学习网络结合学习的自闭症分类网络。为了减少数据不均衡带来的学习难度,在进行特征扩充后,提出了双通道自编码器的网络结构来进行无监督的特征压缩。为了消除同类配对样本学习时候的歧义性,在孪生相似性网络的基础上提出了多任务约束学习。同时,在测试分类阶段,由于不同样本之间的异质性,利用相似性加权投票的方式对测试数据进行类别相似性求取。综上所述,本文在特征提取、模型结构以及异质性约束三个方面对婴儿自闭症诊断问题进行研究。在特征提取方面,引入了路径重积分特征,从时间维度提取有效的脑区发育特征;在模型结构方面,提出了双通道自编码器以及孪生相似性学习网络的模型结构,提高模型对于不均衡数据的处理能力;在异质性约束方面,在测试阶段提出依据不同脑区间的特征相似性进行合理的相似性投票策略,降低了噪音数据的影响。最后,本文在NDAR自闭症数据库上进行了各个模块的消融实验以及与其他算法的对比实验,实验结果证明我们方法对于自闭症分类识别具有非常优异的性能。对于全量NDAR数据,我们可以取得65%的自闭症召回率和87.7%的整体分类准确率。