从功能磁共振成像（Functional magnetic resonance imaging,f MRI）数据及其脑功能连接网络中提取有效特征能够为深入理解人脑运行机理与脑疾病病理机制提供新的视角,是目前脑科学研究领域中的一项重要课题。深度学习因具有强大的特征提取能力,已经成为f MRI数据及其脑功能连接网络特征提取研究中的一项前沿热点。但是,现有的方法忽视了f MRI数据的深层时序特性以及脑网络的稀疏化、模块化、短特征路径长度特性,容易缺失具有判别性的有效特征。针对上述不足,论文进行了一些研究和探索,主要研究内容与创新成果如下:1.为了融合f MRI数据的深层时序特性,提出了一种基于栈式循环神经网络的f MRI时序特征提取方法。该方法首先利用血液动力学模型中非线性函数的反函数构建模型的反演过程;随后,提出了一种新的神经网络结构,该结构包含三个循环神经网络（Recurrent neural network,RNN）模块,分别提取对应血液动力学状态的时序特征,并通过堆栈方式连接成为栈式循环神经网络,来拟合血液动力学模型的反演过程;最后,使用这些特征对血液动力学状态进行估计。在仿真与真实f MRI数据上的实验结果表明:与对比方法相比,新方法取得了最优的结果,验证了f MRI数据的时序特征对血液动力学状态估计的有效性;同时,通过利用该方法估计的血液动力学状态构建脑功能连接网络,能够有效地提升已有脑网络特征提取方法的性能。2.为了融合脑网络的稀疏化特性,提出了一种基于图Lasso与卷积神经网络的脑网络稀疏拓扑特征提取方法。该方法首先设计了一种新的图Lasso模型来学习组水平下的脑网络稀疏连接模式。在学习过程中,使用Cholesky分解来保证稀疏连接模式的正定性,并分别为有标签与无标签两种情况设计了不同的学习策略;随后,利用稀疏连接模式指导卷积层的拓扑特征提取过程,得到脑网络的稀疏拓扑特征;最后,利用深层神经网络结构学习稀疏拓扑特征的高层特征表达,用于脑疾病诊断任务。在真实f MRI数据上的实验结果表明:该方法在分类性能上优于其它算法,表明了脑网络稀疏拓扑特征对脑疾病的判别能力。3.为了融合脑网络的模块化特性,提出了一种基于卷积神经网络的脑网络多尺度模块化特征提取方法。首先设计了一种用于提取节点级模块化结构的新算法,并使用卷积神经网络从这些结构中提取节点级模块化特征;然后,构建协调模块化度来度量节点特征之间的模块化程度,并通过最小化该指标学习脑网络中全脑水平下的模块化结构;最后,使用深层神经网络结构学习高层特征表达,用于脑疾病诊断任务。在真实f MRI数据上的实验结果表明:该方法具有更好的分类性能与更强的鲁棒性,验证了脑网络中模块化特征对脑疾病的判别能力。4.为了融合脑网络的短特征路径长度特性,提出了一种基于Gumbelsoftmax随机游走与循环神经网络的脑网络短路径特征提取方法。首先通过一种可学习的Gumbel-softmax随机游走算法在脑网络上进行采样,得到脑网络中的短路径及对应的节点特征序列;随后利用RNN模型提取这些特征中的序列关系,得到脑网络的短路径特征;最后,使用深层神经网络结构对其进行高层特征提取,用于脑疾病的诊断任务。在真实f MRI数据上的实验结果表明:该方法通过提取脑网络中的短路径特征,提升了脑疾病诊断的效果,验证了脑网络短路径特征对脑疾病的判别能力。总而言之,论文利用深度学习模型提取f MRI数据及其脑功能连接网络中的判别特征。实验结果表明,这些方法显著地提升了其在血液动力学状态估计与脑疾病诊断任务上的性能,验证了方法所提取特征的有效性。