利用磁共振影像数据对脑网络进行表征是目前研究脑精神疾病分析的一种先进技术。以往的脑网络研究主要集中在图上,研究者们将脑网络与人工智能领域中应用较广泛的传统的机器学习与深度学习等计算机技术结合起来,对脑网络进行特征提取与选择、分类等工作。然而近几年的研究表明,大脑认知机制涉及多个大脑区域间的相互作用,而不是成对间的相互作用,为有效表征大脑之间信息的高阶传递关系,超图被提出用来描述脑网络。在以脑区为节点或以被试为节点的关于脑精神疾病的分类研究中,研究人员大多使用稀疏线性回归模型以及k近邻方法构建超图模型。套索方法是通过稀疏线性回归模型进行建模,但此方法不具备解释组效应的能力;利用k近邻构建超图的方法虽然非常简单,但由于其缺乏数据自适应能力,并且对噪声较为敏感,从而导致所构建的超图可能会失去一些重要的信息表征。为解决上述提及到目前已有的超图模型的构建问题,本文主要工作包括:（1）提出基于树结构组套索的方法构建超图模型如何发现相关的样本形成超边并计算其权值是构造超图的关键问题。在以脑区为节点的关于脑精神疾病的分类方法中,研究人员大多利用套索方法进行脑网络建模,它假设特征组是可用的先验知识。但是在实践中,关于数据样本之间的结构和关系的先验知识并不总是可用的。在以被试为节点的关于脑疾病分类方法的研究中,大多采用k-近邻方法生成超边,但其不适应局部数据分布,在进行超图建模时会失去一些信息表征。因此,本文提出了在以脑区为节点以及被试为节点分别利用树结构组套索方法构建两种超图模型以更好地表征样本间复杂的高阶信息,尤其是数据中隐藏的组结构这一关键信息。（2）基于脑区为节点,实现抑郁症患者树结构组套索超图构建及分类在以脑区为节点的超图构建完成后,必须要将超图模型中关于脑疾病患者和正常对照组的显著性差异提取和选择出来并将其置于后面的分类模型中,才能达到本研究针对该模型对于脑疾病分类效果的验证。因而,在基于树结构组套索方法构建的超图模型中需要计算三个不同定义的聚类系数并利用非参数检验的方法选取最具差异性的指标,最后使用支持向量机将选择出来的具有显著差异的特征进行分类。（3）基于被试为节点,实现抑郁症患者树结构组套索超图构建及分类在以被试为节点的超图构建完成以后,并将其进行归一化处理,即将其转化为超图拉普拉斯矩阵;随后利用皮尔逊相关方法,计算大脑区域中两两脑区间的平均时间序列的关联性,得到一个受试者的脑部区域的关联矩阵,并选取矩阵的上三角作为每个被试的特征向量且将所有被试的特征向量构成一个特征矩阵,得到所构超图的特征矩阵;最后使用一种学习数据样本的低维嵌入并捕捉其高阶关系的新型数据嵌入框架—超图UNet分类模型框架,根据上述产生的超图的特征矩阵以及拉普拉斯超图作为此分类模型的输入,构建出基于超图神经网络的分类模型来验证所构超图对抑郁症分类性能的影响。（4）开发静息态人脑超图抑郁症辅助诊断平台为直观展示本文研究成果并将其应用于实践,分别在以脑区为节点以及以被试为节点进行超图建模并将其分别应用于多种分类模型,设计并开发一个静息态人脑超图抑郁症辅助诊断平台为抑郁症相关的脑精神疾病研究人员及医生提供超图构建及分析方法,为该类脑精神疾病起到辅助诊断的作用。