最近几年,随着医学影像技术的成熟和发展,基于这些神经影像技术的图像数据提取人脑的全脑结构与功能连接模式,用于脑疾病的预测和诊断,已经成为新的研究热点。通过运用机器学习和模式识别提供的技术手段和方法,分析多种模态的医学影像数据,发现其中的规律,从而有效的预测和分类未知数据,并找出与脑疾病有关系的脑区特征,也已成为研究趋势。本文基于多任务特征选择方法,对多模态神经影像数据进行分析和研究,从而进行脑疾病的分类。本文的主要工作和创新点如下：首先,我们提出了一个判别性多任务特征选择方法,来选择最具判别性的特征用于基于多模态的脑疾病分类。具体来说,对于每一个模态,我们使用相应模态的数据训练一个线性回归模型,并且进一步对这些回归模型的权重执行组稀疏正则化,用于在多个模态中联合的选择共同的特征。进一步,我们提出基于类内类间拉普拉斯矩阵的判别性正则化项来更好的使用样本之间的判别性信息。在选择出判别性特征之后,我们使用多核支持向量机方法来进行脑疾病的分类。实验结果表明,我们提出的方法不仅改善了脑疾病的分类性能,而且有潜力发现对于疾病诊断有利的与疾病相关的生物学标记,因而具有较大的生物医学意义。另外,我们发现,在存在的多模态特征选择方法中通常使用传统距离,比如欧氏距离,来度量两个样本之间的相似性,由于欧氏距离静态的本质,它忽视了目标样本和所有其他样本之间的全局结构信息。因此,为了充分考虑样本的动态全局信息,我们采用有效距离来替代欧氏距离作为一种相似性度量方法用于特征选择学习以及用选择的特征实现脑疾病的分类。具体地,我们使用稀疏表示算法来获得有效距离,然后,定义基于有效距离的拉普拉斯矩阵,进一步,提出我们的基于有效距离的多模态特征选择方法用于脑疾病的分类。实验结果表明,使用有效距离用于多模态特征选择算法能够有效地把握样本的全局和局部信息,并且可以获得更加优越的分类性能。