人脑是现实世界中结构复杂、功能强大的系统之一。目前,人脑内的结构和功能连接模式已经成为神经影像学研究领域越来越受关注的主题。在传统的神经影像学研究分析中,通常利用单一脑图谱模板划分脑区进而构建脑网络。然而,利用单个脑图谱模板提取的脑网络拓扑特征可能不足以揭示患者组和对照组之间的潜在差异。具体地,不同的脑图谱模板对所构建网络的结构及其拓扑属性影响很大。此外,网络的不同分割节点数量对网络的小世界属性、局部属性、功能连接强度以及网络连通性均存在显著影响。同时,脑图谱模板的不同对网络的影响还体现在以网络拓扑属性作为特征的分类中。然而,以往基于多模板脑网络的研究在选择模板时忽略了各个脑模板构建的脑网络中存在潜在的拓扑关联信息。基于此,本文提出一种基于参数自寻优框架的关系诱导稀疏多模板特征选择模型,通过建立不同模板以及不同被试之间的关联关系,挖掘出了多个模板间脑区的对应关系以及不同模板下同一被试的对应关系,表征了具有多个脑图谱模板对于网络拓扑属性的显著影响。本文主要研究工作如下:第一,提出一种基于参数自寻优框架的关系诱导稀疏多模板特征选择模型。关系诱导稀疏模型用于提取不同被试在同一脑图谱模板中的相关关系以及同一被试在不同脑图谱模板下的相关关系。针对该模型中涉及的三个参数的优化问题,本文利用网格搜索与随机搜索相结合的方法构建了参数自寻优框架。为评估这一多模板下特征选择方法的功效,本文分别在基于功能核磁共振成像的抑郁症分类研究和基于弥散张量成像的艾森克人格分类研究的两组实验中进行验证。第二,在基于功能核磁共振成像的抑郁症数据集中验证。该实验将基于参数自寻优框架的关系诱导稀疏模型应用在抑郁症被试的特征选择中,研究结果表明,功能核磁共振成像采集的数据集通过利用本文提出的方法取得了比传统多模板方法更高的分类准确率。该结果证明了基于参数自寻优框架的关系诱导稀疏模型应用在功能核磁共振成像的数据集中是可行并且有效的,同时证明了多个脑图谱模板间存在潜在相关关系,表征了多模板对于功能脑网络拓扑属性的显著影响,针对现有的脑网络领域中仅使用单一脑图谱模板及传统多模板方法的不足,实现了在静息态功能核磁共振成像的分类研究上的突破,为抑郁症数据的分类研究提供了新的参考方案。第三,在基于弥散张量成像的艾森克人格数据集中验证。该实验将基于参数自寻优框架的关系诱导稀疏模型应用在不同人格被试的特征选取中,实验结果显示,弥散张量成像采集的数据集通过利用本文提出的方法取得了比传统多模板方法更高的分类准确率。基于以上结果,本文肯定了基于参数自寻优框架的关系诱导稀疏模型在弥散张量成像数据集中的可行性及有效性,为基于弥散张量成像的病理学诊断的多模板研究奠定了基础,同时为未来突破人格分类研究提供了有力的支持。本研究得到国家自然科学基金(No.61672374,61873178,61741212,61876124),山西省自然科学基金(201601D021073),山西省科技厅应用基础研究项目(201801D121135),山西省高校科技创新项目(2016139)的研究资助。研究还得到了山西省重点研发(R&D)项目(201803D31043)以及教育部赛尔网络下一代互联网技术创新项目(NGII20170712)的支持。本文重点研究多模板下关系诱导稀疏特征选择模型的应用,并探索该模型参数的设置问题,提出参数自寻优框架以获得参数的最优组合。通过将这种方法应用在基于功能核磁共振成像的抑郁症数据集及基于弥散张量成像的艾森克人格数据集中,验证了该方法的有效性。本文为脑疾病的诊断提供了新的方法思路,并为行为学与神经影像学结合的相关研究提出了可供参考的研究方法。