认知能力的评估当前常采用的是问卷调查的方式,这一方式存在很多问题,如测量不准确、受主观影响大等。最近基于功能磁共振成像（functional Magnetic Resonance Imaging,f MRI）的研究发现个体认知能力与脑网络的活动紧密相关,当前已有很多研究利用静态功能连接来预测疾病、个体行为和认知特征,这些研究都隐含地假设大脑区域之间的功能耦合是静态的。然而,随着人们对大脑的不断认识,以及越来越多的研究表明,大脑内部神经活动是随着时间不断变化的,且这种功能脑网络的动态特性具有个体特异性。本文中我们利用动态功能连接（dynamic functional connectivity,d FC）来探索脑网络的动态波动特性,并利用这一特性实现了对个性化特征、认知损伤的预测等任务。本文的主要内容如下:基于动态功能连接度的全脑剖分方法。我们提出了一种基于动态功能连接度的全脑剖分方法,该剖分可以捕获随时间变化的功能连接中的功能同质区域。此外,这一剖分与常用脑图谱的系统比较表明,利用d FC驱动的剖分模板可以更好地捕获d FC中的个体差异,并在预测个体认知能力上有更好的性能。我们的结果表明了体素水平上d FC驱动的功能同质剖分对于神经科学中网络动态性分析的重要性。基于动态功能连接的个体特征预测。我们提出了一种端到端的深度学习模型,该模型结合了卷积神经网络和长短时记忆网络来同时捕捉功能连接序列中的时空特征。结果表明,该模型在性别分类和智商预测任务上表现出了优越的性能。此外,我们利用生成的仿真数据证明了该模型可以有效地学习动态脑网络中有用的时空动态信息。总体而言,这项研究表明了深度学习模型在充分利用功能连接中动态信息上的优势,并强调了时变连接模式在改善个性化特征预测方面的潜力。基于动态功能连接的认知损伤评估。我们利用稀疏字典学习的方法,将功能连接的自发波动描述为一组重叠的内在连接模式（intrinsic connectivity patterns,ICPs）的时间演变过程。结果表明这些ICPs的空间连接模式在正常人和轻度脑创伤（mild traumatic brain injury,m TBI）病人之间没有显著的组间差异。然而,这些ICPs对应的被试特定的时间表达可以用于m TBI的预测。我们的发现揭示了基于动态功能连接的内在连接模式的时间表达,可以作为认知损伤预测的神经影像生物标志物。