医学影像数据是临床医学诊断,病情跟踪,教学研究的重要客观依据,对医学影像数据的分类方法层出不穷,但前人的研究大多着重于决策树(Tree)等单分类器的模型,由于医学影像数据维数较高,噪声较多,使得单分类器模型难以达到令人满意的效果。于是本文引入了一种能较好容忍噪声且稳定性较高的组合分类算法—随机森林分类器(RF),探索研究医学影像数据的判别分析问题。本文以静息态功能核磁共振数据为基础,用随机森林分类方法对69例精神分裂症患者和62例对照组正常人进行判别分析。本文简单介绍了随机森林的相关理论,着重研究了随机森林在医学影像数据中的应用。由于在准确率较高的基础上挑出的重要特征越少就越有助于对大脑结构的研究,因此,寻找较优的特征选择方法成为本文要做的主要工作之一。本文提出了两种特征子集选择方法：一种是基于皮尔逊相关系数的改进方法—留一T-Test2进行特征选择；另一种是利用肯德尔相关系数的方法进行特征选择。实验证明,肯德尔相关系数的方法能大幅度精简特征,并提高了计算速度。为了和随机森林分类方法进行对比,本文还利用决策树分类器对相同特征子集进行了判别分析,发现不管是用留一T-Test2方法还是肯德尔相关系数的方法,随机森林的分类正确率远比决策树高。文中还构建了由功能连接与贡献值组成的权值网络来评估每个特征对整体判别所起的作用,找到了精神病人和正常人脑区之间的异常连接,对精神疾病诊断提供客观依据。