基于静息态功能磁共振的脑网络已经成为了人们探究自闭症患者大脑工作机制的重要工具,也是自闭症病理研究中的一个热点。然而,人脑是一个复杂且高效的网络,当前的脑网络很难显式地捕获到人脑中所有特征,因此如何构建一种理想的脑网络并从中提取有效信息在目前仍是一个亟待解决的难题。对此,本文以机器学习的角度在脑网络构建以及特征提取两个方面进行了研究,共有以下三个工作:（1）基于"相关性的相关性"思想的高阶脑网络构建方法。其优势在于:捕获了一种全新的高阶相关性,有效提取了多个脑区之间的复杂且微妙的相关性,为自闭症诊断提供了新的信息。该方法在低阶动态脑网络的基础上,将每个脑区与其他脑区之间的相关性视为一个相关性序列,再计算每对的相关性序列的相关性,这种高阶的相关性被称为"相关性的相关性",以此构建一种新型的高阶动态脑网络。（2）基于聚类的脑网络估计方法。其优势在于:实现了在一个框架中同时捕获大脑区域间的低阶关系、高阶关系以及聚类间的关系,并且该脑网络具有数学上与生理上的可解释性。该方法首先将大脑区域根据生理功能分为多个聚类,在每个聚类上构建低阶动态脑网络。其次,在类内通过最大化矩阵变量正态分布的可能性来估计最终的低阶和高阶网络作为类内特征。最后,在类间通过计算不同类的均值与方差时序变化的相关性作为类间特征。（3）基于单元的动态脑网络特征选择策略。其优势在于:可以从多个视角全面提取并选择脑网络中蕴含的鉴别性特征,以此更好地将脑网络应用于诊断。本策略将一对脑区之间的时序功能连接序列视为一个单元。对于每个单元,通过特征评价方法从其多个特征中选出最具辨别力的指纹特征,并将每个单元选出的特征连接在一起,作为分类特征集。这样,从每个功能连接序列中得到的个性化指纹特征就可以被充分挖掘并利用到分类决策中。实验结果表明,本文提出高阶脑网络能够从不同的视角为自闭症的诊断提供新的高阶信息,这些高阶信息与传统方法的得到的低阶信息具有互补性。而提出的特征选择策略能够更好地挖掘脑网络中与自闭症相关的鉴别性特征并减少特征冗余,相较于传统策略表现出了更优异的性能。