人脑是由无数神经元相互连接形成的复杂网络,基于脑网络的分类与预测在疾病诊断和脑机接口领域应用较广。脑网络随时间动态变化,对下一时间段脑功能网络的预测可以提前了解被试之后的脑认知状态,是现有脑机接口应用的拓展;对脑功能网络进行分类,对有望实现不同脑疾病诊断。因此,脑网络分类及预测是脑网络研究中新出现的热点。随着深度学习的发展,卷积神经网络（Convolutional Neural Networks,CNN）作为深度学习的典型代表,被越来越多的研究人员应用到脑网络研究中。图卷积神经网络（Graph Convolution Networks,GCN）对图结构的数据具有强大的特征提取能力,而脑网络的数据具有明显的图的拓扑结构。因此,相对于传统的卷积神经网络,GCN能够提取到更多脑网络的属性特征。但是,目前基于GCN的脑网络分析还较少。为了能提高脑网络的预测和分类性能。本文在已有研究基础上,将GCN应用于脑网络的分类和预测中,提出一种基于生成对抗网络（Generative Adversarial Net,GAN）的时序脑功能网络预测模型GAGCN、一种基于图卷积和长短期记忆网络（Long Short-term Memory Networks,LSTM）的时序脑功能网络分类模型GCN-LSTM-C,并在两组公开数据集（ADNI数据集和Cam＿CAN老化数据集）中应用这两种模型,分别在脑网络的预测和分类取得较好的性能。具体研究内容如下:（1）基于生成对抗网络的时序脑功能网络预测研究。脑功能网络预测在脑机接口领域具有重要的研究意义,本文基于GCN和GAN实现对脑功能网络的预测。针对传统的脑网络链路预测方法没有解决对时序脑功能网络预测,忽略了对脑功能网络拓扑特征和时序特征相结合的问题,本文提出了一种基于生成对抗网络的时序脑功能网络的链路预测模型GAGCN,通过GCN和LSTM分别捕捉脑功能网络的拓扑特征和时序特征,并使用全连接层（fully connected layers,FC）进行特征融合进行预测,进而实现脑功能网络的预测。本文从AUC和MAP等方面评价模型的预测性能,所提的模型在两种数据集上AUC可以达到0.95,MAP可以达到0.92,具有较好的预测效果。（2）基于图卷积和长短期记忆网络的脑功能网络分类研究。脑网络分类是脑网络相关研究中的热点,在临床医学领域对脑疾病的诊断具有巨大的应用价值。针对脑网络分类领域中,大多数的分类研究缺少了对数据中时序因素考虑的问题,本文提出了一种基于GCN和LSTM对脑功能网络的分类模型GCN-LSTM-C,从脑功能网络的拓扑属性和时序属性出发,将时序脑功能网络的拓扑特征和时序特征提取并融合,进而实现对脑功能网络的分类。通过对数据集采用不同的方式进行划分并多次实验,探究不同数据划分方式下模型的分类性能。模型的分类准确率在ADNI数据集上四分类准确率训练集均可以达到99%以上,测试集按照不同的划分方式可以达到50%以上和95%以上;在Cam＿CAN数据集上三分类准确率训练集均可以达到99%以上,测试集按照不同的划分方式可以达到70%以上和95%以上。所提模型在两种数据集都有较好的分类效果。综上,利用图卷积神经网络对时序脑功能网络数据的时序特征和拓扑特征综合研究,不管在脑功能网络预测还是在脑功能网路分类,都有一定的提升作用,具有一定的应用价值。