针对现今关于自闭症的分类任务研究中因缺乏充足标注样本、通常基于单个脑图谱选取特征，导致难以充分挖掘不同脑图谱的隐藏特征，进而造成自闭症分类的准确度不高等问题；首次创新地提出一种基于多图谱迁移学习的自闭症分类算法MATL,用于提取和迁移不同脑图谱之间的特征，并改进深度神经网络实现自闭症的分类.该算法首先使用特征提取器在HO脑图谱和CC400脑图谱上进行训练，获取CC400脑图谱特征提取器的权重参数；其次，将该权重作为初始权重迁移至HO脑图谱的特征提取网络中进行训练；随后，将输出特征传入改进的深度神经网络分类器中，完成自闭症的分类任务.在公开的功能性磁共振成像的自闭症数据集ABIDE上进行实验，该模型的分类准确率达到72.97%;针对集中式和留一站点式的两种迁移策略，MATL算法对比未迁移算法（wT-MATL）的准确率分别提升13.97个百分点和5.41个百分点.与自闭症分类任务的基线算法相比，分类准确率提升8.39个百分点.实验结果表明MATL算法能够有效融合不同脑图谱的数据特征，在自闭症分类任务上具有更好的性能.