孤独症谱系障碍（Autism Spectrum Disorder,ASD）是一种神经发展障碍性疾病,目前其发病原因还不明确,至今仍然没有有效的诊断手段和治疗方法。ASD患者在社交和行为等方面异于常人,康复训练费用昂贵,严重影响了患者及其家庭生活质量,同时对社会和国家造成了负担。ASD的早期诊断可以使病情在发展初期得到有效干预,因此寻找一种客观的诊断方法有着重要的现实意义。随着医学影像的发展,研究人员开始利用功能磁共振影像技术（Functional Magnetic Resonance Imaging,fMRI）探索ASD患者的大脑活动并设计分类模型,为ASD诊断提供帮助。由于fMRI图像是一系列时间点上三维图像的排列,数据体素量很大,目前的一些方法是利用图谱将大脑分割成多个感兴趣区域（Region of Interest,ROI）并构建功能连接矩阵作为特征,然后利用特征提取方法选择部分最优特征输入合适的分类器进行分类。还有研究人员将fMRI图像降维压缩成二维或三维图像,以进行特征提取和分类,但这些都没有充分地利用图像的时空信息,破坏了原始数据的时间和空间关联性。本文针对现有方法的缺点,充分利用fMRI的时空特征,对ASD和正常对照者（Typical Control,TC）进行分类,并取得了良好的分类效果。本文的主要研究内容如下:（1）基于卷积神经网络和门控循环单元的ASD分类本文首先构建一种基于卷积神经网络与门控循环单元（Convolutional NeuralNetwork and Gate Recurrent Unit,CNNG）结合的ASD分类模型。该模型首先利用三维卷积神经网络（Convolutional NeuralNetwork,CNN）的卷积层提取fMRI数据的三维空间特征,然后利用门控循环单元（Gate Recurrent Unit,GRU）提取其时间特征,最后利用Sigmoid函数进行分类。在国际公开的自闭症脑影像数据共享项目（Autism Brain Imaging Data Exchange,ABIDE）数据集上进行算法验证,实验结果表明,该模型可以有效地提取fMRI的时空特征,并达到了72.46%的分类准确率。（2）基于伪四维残差网络的ASD分类本文构建一种同时提取时空特征的伪四维残差网络（Pseudo-four-dimensional ResidualNetworks,P4D ResNet）模型。该模型主要由两种不同的残差块堆叠而成,每种残差块都结合三维空间滤波器和一维时间滤波器来代替四维时空卷积。这种构造方式保证了每经过一次残差块都进行一次空间卷积和一次时间卷积,从而可以获得fMRI更完整的时空信息。由于完整数据维度过高,并且数据量有限,本文将每个fMRI数据在时间维度上进行固定长度的等间隔抽样以进行数据扩充。最后将该模型用于ASD分类实验,取得较好的效果。与其它现有模型相比,进一步验证了本文设计模型的适用性。