功能磁共振成像(functional Magnetic Resonance Imaging,fMRI)作为一种无创的神经影像学方式,其被广泛应用于大脑疾病的诊断和认知过程的研究。可以利用从fMRI数据中提取的特征进行各种各样的研究任务或者分类实验,静态功能连接是最为常见的分析方法,其是大脑中各区域或者体素时间序列之间相关性的度量,但其不能很好的反应功能连接的瞬时变化。论文从fMRI数据的稀疏表示和基于动态功能连接的特征提取两个方面对其进行了研究和分类,其中动态方法能够有效利用数据中的时间信息,而稀疏表示方法可以对数据的高维问题进行解决。文中还提出了多曲面特征选择算法(Multi SURF)与线性支持向量机(Linear Support Vector Machine,LSVM)结合的分类流程。论文的主要研究内容和结果如下:(1)针对fMRI数据的稀疏表示,本文利用在线字典学习算法提取被试数据的稀疏时间序列,并将快速独立成分分析(Fast Independent Component Analysis,Fast ICA)提取的大脑网络成分应用到字典学习的初始化阶段,其可以提高结果的稳定性。为表明数据驱动方式的优势,文中利用模板方法提取了fMRI数据的区域时间序列进行降维,并利用相关性、偏相关性和正切三种方法分别提取了上述时间序列的静态功能连接特征,结合特征选择进行了分类对比实验。结果表明,相较于模板驱动方法,本文研究的在线字典学习方法在分类任务中有较大的优势,且通过正切方法计算的静态功能连接特征分类准确性优于相关性和偏相关性特征。(2)为充分利用fMRI数据中的时间信息,本文利用上述提取的稀疏时间序列进行动态功能连接的计算,并利用三种特征提取方法分别获得均方根、聚类和节点度中心性动态特征,结合特征选择算法进行分类实验,其中动态功能连接有基于权重皮尔森、时间导数乘法和瞬时相位同步三大类。实验结果表明提取的动态特征能够较好的进行分类任务,基于权重皮尔森方法提取的动态特征比另外两种方法提取的特征整体表现更优,证明了本文研究的动态特征提取方法的有效性,丰富了fMRI动态功能连接的分析和分类方法。