功能磁共振成像(functional Magnetic Resonance Imaging，fMRI)是神经影像学的研究热点之一，其原理是使用磁振造影技术测量神经元活动所引起的血液动力变化，从而获得大量的三维脑成像数据。通过对fMRI数据进行分类，可以有效地解码出被试当前的大脑认知状态，这对人类理解大脑的工作机制具有十分重要的意义。然而，fMRI数据因其高维特性，给现有的模式分类方法带来了极大挑战。近年来，大量的机器学习方法被用来解决fMRI数据分类问题，并取得了不错的效果，其中，深度学习作为新兴的机器学习方法，因其对高维数据优秀的建模能力，逐渐成为了解决fMRI数据分类问题的重要方法。但是，现有研究中的深度学习模型对于fMRI数据的局部特征提取能力较弱，且未能充分利用fMRI数据时间特性提升模型分类性能。针对上述缺陷，本文完成了如下两个方面的工作:　　(1)针对现有模型无法有效提取fMRI数据局部特征的缺陷，提出一种基于卷积神经网络的fMRI数据分类模型。首先，设计一个卷积神经网络结构，并根据卷积神经网络的卷积核尺寸构建受限玻尔兹曼机模型;然后，使用fMRI数据感兴趣区域体素构造数据，对受限玻尔兹曼机进行预训练，并将训练得到的权重矩阵进行相对变换，用来初始化卷积神经网络的卷积核参数;最后，对初始化后的整个模型进行训练，得到最终的分类模型。在Haxby和LPD数据集上的实验结果显示，该模型可有效提升fMRI数据的分类准确率。　　(2)针对现有分类模型未充分利用fMRI数据时序特性的问题，提出了一种基于循环神经网络（RNN）的时序fMRI数据分类模型。首先，使用任务态有标注数据训练卷积神经网络模型，得到相应网络参数。然后，将有标注数据和无标注数据按时序组合，共同输入到上一步训练好的模型中，以提取全连接层特征。最后，将提取的特征以一个标签一个时间序列的方式组成有序对输入到RNN中，通过训练得到最终的分类模型。在Haxby数据集上的实验结果表明，使用RNN提取fMRI数据时序特征可有效提升模型分类准确率，并且加入休息态无标注数据后，模型分类性能得到了进一步提升。