复杂脑网络的分析与研究是近几年来神经精神疾病领域的研究热点。作为复杂网络理论在神经认知科学的具体应用,复杂脑网络在了解有关神经精神疾病的发病机理方面起到了很重要的作用。将图论应用于复杂网络中,会为复杂网络的研究提供更多的方向和思路。最小生成树是应用最为广泛的图论算法之一,作为新兴的有效研究手段,活跃于神经精神疾病的相关研究中。该方法能够确保脑网络的连通性,按一定规则对边进行删减,最终获得总权重最小的生成树。在进行相关指标的计算时,其结果也不会受到网络大小以及密度等因素的干扰,同时,该网络在神经学上也具有良好的可解释性。尽管这一领域已经取得许多令人惊喜的成果,但仍然存在一些亟待解决的问题。先前的研究发现,传统最小生成树的特征提取方法使用局部可量化指标来分类脑疾病,忽略了低权重的连接和集群在大脑网络中信息处理的重要作用,造成网络中一些有用信息丢失,较其他网络特征而言,其分类正确性明显偏低,特征有效性和分类准确率都将会因此下降。在此基础上,本文希望找到一种综合方法既可以最大程度实现组间差异的表征,又能提供更多更有效的分类特征,以服务分类研究。为解决这些问题,本文提出了一种在局部差异网络的基础上构建最小生成树功能网络进行特征提取的新方法。具体的创新工作如下:首先,基于网络的统计被用于识别抑郁组与对照组间功能连接强度有明显区别的连接及连接所涉及的大脑区域,作为构建局部差异网络的第一步。该方法是对大型网络进行统计分析的一种处理图上多重比较问题的非参数统计的有效方法。许多研究已经使用这种方法来识别与实验效果或组间差异相关的连接以及包含人类连接体的网络。其次,对每个局部差异子网进行最小生成树脑网络的构建。所构建的网络在确保连通性的同时,尽可能保持较高的连接强度。本文分别构建以每个脑区及其差异连接所涉及的脑区为节点的局部差异网络,在此基础上,对每个子网进行最小生成树功能连接网络的构建,进行下一步的分析研究。最后,本文对局部差异最小生成树脑网络进行分类研究。大脑作为一种复杂网络,需要对其从多方面进行量化。在每一个局部差异最小生成树脑网络上进行全局和局部指标的计算,可以获得更多可用于分类的有效特征,能在一定程度上提升分类准确率。结果表明,与传统在全脑使用最小生成树构建脑网络的分类方法相比,本文的方法能够提供更多的有效特征,这将使分类准确率有明显的提升。本文为今后在脑网络拓扑属性分析及机器学习应用方面,对网络构建以及特征提取提供重要的可参考依据,也为医学辅助诊断和脑科学特别是脑疾病的研究提供一定的帮助。本文是国家自然科学基金项目《静息态功能脑网络高阶复杂时空效应分析及建模研究》(61876124)的主要组成部分。研究工作还得到了山西省科技厅应用基础研究项目(201801D121135),山西省教育厅高等学校科技创新研究项目(2016139),山西省科技厅重点研发计划项目(201803D31043),教育部赛尔网络下一代互联网技术创新项目(NGII20170712)的支持。本文的关键是在局部差异最小生成树脑网络上进行相关的研究,以及发掘脑疾病患者在其脑网络上发生的改变,希望能获得可以为脑疾病早期诊断起到一定帮助的标志物。这一课题在国际和国内都非常热门且重要。