目前，中国0～14岁儿童的数量约为2.2亿，其中弱视的发病率约为2％-3％。弱视严重影响儿童的日常生活，阻碍儿童身心健康发展，给儿童及其家庭造成无尽的困扰和伤害。现代医学研究表明，弱视患者接受治疗的时间越早视力恢复效果越好，12岁以下的弱视儿童经过及时治疗完全可以恢复正常。因此，实现弱视儿童早期鉴别具有非常重要的意义。作为新兴的脑功能成像技术，功能近红外光谱成像技术(Functional Near Infrared Spectroscopy,fNIRS)具有非侵入性、易用性、实时性、可长时间采集等特点，特别适合弱视儿童群体。为了促进弱视儿童自动识别算法、分析方法及寻找潜在生物标记等方面的研究，本文设计并完成实验设置、数据采集、数据分析、特征提取、生物标记寻找、新型图结构构建、弱视儿童识别等一系列工作，提出基于图结构和图卷积神经网络(Graph Convolutional Network，GCN)的分类算法并进行弱视儿童识别实验。本文同时实现了基于B/S架构的在线智能医疗辅助分析与诊断系统，为医生对弱视儿童临床诊断提供了辅助手段和数据支撑。本文的主要工作具体如下:(1)构造弱视儿童和正常视力儿童的fNIRS数据集。数据集共包含78名儿童的实验数据，其中弱视儿童40名，视力正常儿童38名，所有数据均来自与医院合作采集的临床数据。数据集构造工作主要分为两步:第一步设计实验范式并采集fNIRS数据，数据分析后将结果与医生沟通以改进实验设计，最终确定较为理想的实验方案;第二步是预处理，判断数据的适用性并删除采集异常和特征异常的数据，并进行频谱分析设计合适的带通滤波器滤除数据中的噪声。
　　(2)进行fNIRS数据分析和特征提取并获得一组潜在生物标记。开展基于排序熵方法的复杂度分析与组间分析和基于小波包分解方法的能量特征提取与组间分析的实验。结果显示，弱视儿童组各通道数据的复杂度和能量特征均显著高于正常儿童组。弱视儿童组不同通道间能量特征幅值差距大，而正常儿童组各通道的能量特征分布很均衡。基于双样本t检验的结果显示复杂度特征在超过一半的通道中表现出显著差异性。这表明复杂度和能量特征是一种潜在的识别弱视儿童的生物标记。本文同时对统计特性和Hjorth参数等余量特征进行组间差异性验证。实验结果证明余量特征差异显著。本文共筛选出差异显著的12种特征用于后续分类，并作为一组潜在的生物标记。
　　(3)提出基于图结构与GCN的分类算法进行弱视儿童识别。所提算法解决了已有fNIRS数据分类研究中未能有效利用脑区连通性信息的问题。所提算法将通道定义为图结构的节点，节点包含的信息为对应通道中提取的特征或原始数据，将任何通道对之间相关系数的绝对值定义为图结构的边。通过这种方式，为每个对象构造无向加权功能性图结构，并设置阈值来消除具有虚假连接的边。并且，算法首次将GCN应用到基于fNIRS数据的弱视儿童识别领域。之后，在构造的数据集上设计并开展一系列弱视儿童识别实验，并同传统机器学习算法进行对比。实验结果显示，所提算法的分类性能远胜于其它方法，准确率高达86.40％。基于此算法生成弱视儿童自动识别模型，为医生提供了一种辅助诊断手段。在两个公开fNIRS数据集上的分类实验结果显示，所提算法分类性能优于已有研究，证明了算法的鲁棒性。所提算法可推广到fNIRS数据分类领域，具有很好的普适性和应用前景，为fNIRS数据分类提供了一种新的思路和研究方法。
　　(4)基于上述数据分析和分类算法，本文针对弱视儿童设计并实现了在线智能医疗辅助分析与诊断系统。系统提供患者fNIRS数据分析与可视化展示、弱视儿童自动识别和潜在生物标记计算等功能，医生随时随地分析患者数据、观察潜在神经生理学特点及做出初步诊断等，可推动弱视儿童的数据驱动诊断和治疗。