脑功能连接分类是一种通过对人脑功能连接数据进行特征提取与分析来判断被试者是否患有精神障碍疾病的技术,该技术为寻找精神障碍疾病的致病原因提供了一种新思路,具有重要的应用价值与现实意义。然而,由于脑功能连接数据维度高且样本量小,脑功能连接的准确分类具有极大的挑战性。近年来,基于深度学习的脑功能连接分类方法已成为一个研究热点。其中,栈式自编码器(Stacked autoencoders,SAE)结构简单,能够逐层提取数据中深层次的特征,是当前脑功能连接分类任务中最常用的深度学习方法之一。但是,目前基于栈式自编码器方法的分类准确率存在较大提升空间。针对该不足,本课题完成了如下两个方面的工作:(1)为了提高脑功能连接分类方法的分类准确率,我们提出了一种基于原型学习与深度特征融合的脑功能连接分类方法。该方法首先使用栈式自编码器从脑功能连接中提取从低层次到高层次的深度特征;然后利用原型学习在自编码器的各隐层中提取表示样本类别信息的距离特征;最后采用深度特征融合策略将这些距离特征融合,并将该融合特征用于脑功能连接的类别标签预测。在ABIDE数据集上的实验结果表明:与多种经典的脑功能连接分类方法相比,本研究提出的新方法不仅具有较高的分类准确率,而且能够更加准确地定位与精神障碍疾病相关的异常脑区。(2)为了利用多视角信息进一步提升脑功能连接的分类性能,我们提出了基于多视角学习与深度学习的脑功能连接分类方法。首先,使用常用的不同类型的预定义模板来识别感兴趣区域,用于构建不同视角下的脑功能连接;然后,采用提出的多视角特征选择方法,在其他辅视角数据的辅助下,从主视角中选择最具鉴别性的特征;接着,使用栈式自编码器提取各视角下脑功能连接的深层特征;最后,使用提出的多视角融合层将多个视角下的深层特征融合,充分利用各视角提供的互补信息。在ABIDE I数据集上的实验结果表明:基于多视角学习与深度学习的脑功能连接分类方法能够进一步提升脑功能连接的分类性能。本课题开展的工作不仅能够提升基于栈式自编码器的脑功能连接分类性能,促进深度学习在脑功能连接分类中的研究与发展,而且对于准确识别精神障碍疾病的生物标记物有着积极作用,具有广泛的应用价值。