大脑是人体最重要的器官之一,然而各类脑疾病的存在威胁着人们的身体健康,也加大了家庭及社会的治疗负担。功能磁共振成像是目前最常应用于医疗领域的一种脑功能成像检测技术,该技术因具有非损伤、实验过程简单、实际应用方便等优点被广泛应用于认知神经科学领域。与此同时,机器学习以其强大的学习能力受到众多研究者的青睐。尤其是深度学习技术可以实现疾病特征的自动提取及分析等过程,近年来也被广泛应用于医学图像处理领域进行各类疾病的辅助诊断。目前,将机器学习用于脑疾病辅助诊断的思路已经被广泛采纳,然而以往的研究结果还存在特征精准性不足、对疾病的诊断效果差、疾病生物标志物不明显等问题。因此,本文利用功能磁共振影像信息并结合机器学习技术对阿尔茨海默症和自闭症谱系障碍两种典型的脑疾病进行了研究。本文通过对重要特征的有效提取以及新的诊断标志物的挖掘提升了两类疾病的诊断性能。具体工作主要包括以下两个方面:（1）提出一种基于多重特征选择及机器学习的阿尔茨海默症诊断方法。该方法首先计算出大脑不同区域之间的相关性以表征其功能连接强度,并将功能连接情况作为疾病诊疗依据;随后采用阈值界定方法进行弱连接的去除,采用元素缩减方法进行重复特征元素的去除,以及采用最小绝对收缩选择运算方法进行重要特征的多重筛选,保留对疾病诊断性能更有价值的特征,舍弃大量冗余特征;最后采用两种机器学习方法——支持向量机（Support Vector Machine,SVM）和极度梯度提升（Extreme Gradient Boosting,XGBoost）算法对疾病进行分类预测。该方法被应用于阿尔茨海默病的诊断,在阿尔茨海默症患者与正常对照组的分类任务中得到了良好的分类性能,结果证明了该特征选择方法对疾病预测的有效性。（2）提出一种基于多变量动态特征和深度学习的疾病诊断方法。该方法利用功能磁共振影像独有的时间特性进行了多变量动态特征的挖掘,同时借助深度学习进行阿尔茨海默症和自闭症谱系障碍脑疾病诊断。该方法首先对数据进行空间独立成分分析得到若干静息状态网络,随后进行重要成分的筛选并剔除噪声信号;然后采用滑动窗口的方法对各成分的时间序列进行时间上的分割以获取子时间序列,并计算各窗口内子时间序列的相关性作为各网络之间的动态功能连接情况表征;最后采用对时间信号敏感的长短期记忆网络进行分类。实验结果表明,本文提出的方法能够对疾病进行有效预测,并优于现有算法。此外,在实验过程中发现阿尔茨海默症患者在海马区与其它网络的动态连接过程中存在异常,而自闭症谱系障碍患者则表现出注意力网络的异常。本论文研究了两种基于功能磁共振影像与机器学习结合用于脑疾病诊断的方法,并将两种方法应用于两大典型脑疾病的诊断,获得了令人满意的诊断准确率。该研究拓宽了医学图像用于疾病诊断的途径,对于阿尔茨海默症和自闭症谱系障碍等脑疾病的诊断治疗以及疾病有效生物标志物的发现具有重要意义,同时为计算机辅助诊断技术的发展起到了助推作用。