阿尔茨海默症(Alzheimer disease,AD)是一种常见的老年人进行性神经退行性疾病,目前使用药物治疗的方法仅能缓解症状而达不到治愈的效果,这种疾病严重地影响着患者及护理者的生活质量。轻度认知障碍症是介于健康老年人和阿尔茨海默症之间的一种状态,通过对轻度认知障碍症的诊断和治疗能够有效地降低阿尔茨海默病的转化率。目前,基于功能性脑影像数据,研究人员可以构建功能性脑网络并对脑网络进行分析,进而实现诊断轻度认知障碍症的目的。随着机器学习的发展,机器学习分类算法被应用到脑网络的分类中,脑网络的分类已成为对轻度认知障碍症进行诊断的一种新途径。本文基于图核和特征选择算法对脑网络的分类进行了探索性研究,主要工作如下:第一,针对大部分图核无法很好地区分具有相同结构的图数据的现状,提出了一种面向脑网络的图核,该图核通过提取网络中带有节点标签的最短路径来判断两个网络之间的相似性,能够更好地反映脑网络之间拓扑结构的差异性;第二,基于所提出的图核并结合主成分分析降维算法实现了图核降维算法,通过图核降维算法能够将脑网络数据映射成为向量数据,从而可以采用机器学习中的分类算法进行脑网络分类;第三,基于互信息实现了一种特征选择方法,该方法通过互信息衡量特征属性之间的冗余度,能够有效地降低特征属性之间的冗余度。为了验证上述方法的有效性,从阿尔兹海默症神经影像计划数据库下载了轻度认知障碍患者和健康老年人的静息态功能性磁共振脑影像数据,在对脑影像进行预处理的基础上构建了脑网络,并进行了图核验证实验和分类实验。在图核验证实验中,使用本文提出的改进图核与子树核及最短路径核进行对比实验,实验结果表明,本文提出的改进图核相比于其他图核能够更有效地区分健康老年人和轻度认知障碍患者脑网络数据之间的差异。在分类实验中,通过本文提出的图核降维算法将脑网络映射为向量数据;然后通过本文提出的特征选择算法对其进行特征选择,实现数据的降维;最后,使用支持向量机模型对数据进行了分类实验,并从准确率和召回率两方面进行了对比分析。实验结果表明:本文提出的脑网络分类方法与提取单一特征属性作为特征向量的方法相比分类准确率平均提高了约17%、召回率平均提高了约18%,与特征融合的分类方法相比本文方法的分类准确率提高了约2%、召回率提高了约3.5%,从而验证了本文提出的脑网络分类方法的有效性。