人脑在人的整个生命周期中是不断变化的,这些变化在一定程度上反映了大脑的正常老化过程。但是,受大脑发育异常、神经精神障碍或脑部疾病等因素的影响,大脑的年龄可能会与人的实际生理年龄不相符合。高效精准的脑龄预测方法,不仅能够帮助我们加深对脑老化进程的理解,而且有利于我们对神经精神疾病的客观诊断及预警。人脑的发育及老化都伴随明显的脑结构变化,而结构磁共振成像技术能够提供人脑组织的高分辨率三维影像,因此,人脑结构磁共振图像已成为脑龄预测研究的重要数据基础。目前国际上已经开展了大量基于结构磁共振图像的脑龄预测研究,但这些研究还普遍存在一些问题:基于3D-CNN的脑龄预测研究多以全脑图像作为输入,模型复杂度高;多数研究是基于非平衡数据集的,儿童和老年人的样本量较青壮年的样本量偏少,样本的不均衡性普遍未经考虑;研究普遍基于单中心数据提取单模板特征,未充分考虑不同中心数据集的差异性及不同模板提供信息的互补性。为解决上述问题,本研究开展了如下三项工作:（1）基于多感兴趣区的3D-CNN集成的脑龄预测。目前广泛开展的基于3D-CNN的脑龄预测多以整个人脑的影像作为模型的输入,脑影像的高维特性意味着基于3D-CNN的脑龄预测将涉及很高的计算复杂度。基于此,本研究提出了多感兴趣区的3D-CNN集成策略。该策略不再将整个人脑影像放入网络,而是从磁共振影像中选取与脑龄关系较大的几个感兴趣区,从而训练多个3D-CNN网络。模型的最终预测结果是多个网络预测结果的集成。实验结果表明,基于感兴趣区的3D-CNN集成的个体脑龄预测有效降低了模型训练用时,且预测精度（预测值和真实值的相关系数R=0.873）较经典3D-CNN（R=0.739）有所提升。（2）基于自适应的样本加权策略的脑龄预测。本研究使用的数据集样本呈两端少中间多的纺锤形分布（儿童和老年人样本少,青壮年样本多）,样本的不均衡性将会对模型的预测精度产生负面影响。为此,本研究引入一种自适应的样本加权策略,在计算损失时将样本所在大致年龄区间占整个数据集的比例考虑在内,即当某个样本所在的年龄区间样本量较小时,则为其赋予较大的权重,以增大模型对该样本的惩罚代价。实验结果表明,基于自适应的样本加权策略的脑龄预测（R=0.883）能有效减低对于儿童及老人的年龄预测误差。（3）基于多中心多模板的脑龄预测。现阶段的多数脑龄预测模型只使用了单个成像中心的数据,在提取特征时通常也只使用单个大脑模板。然而单个成像中心的数据集往往数据不足,只使用单个模板也容易造成特征信息不够丰富的问题。为此,本研究提出了多中心多模板集成预测的方法,该方法通过整合多个中心数据集以及多个模板的特征集信息,来达到充分利用多中心数据并且充分发掘多模板提供的有效互补特征的目的。实验结果表明,基于多中心多模板的脑龄预测（NKI数据集:R=0.702,ADNI数据集:R=0.726）较单中心单模板（NKI数据集:R=0.641,ADNI数据集:R=0.659）预测效果更好。本研究的创新性在于:1)引入多感兴趣区的3D-CNN集成策略解决经典3D-CNN模型复杂度高且存在过拟合的问题,有效提升了模型训练效率和脑龄预测精度;2)引入自适应的样本加权策略解决样本分布不均衡的问题,有效减低了对于样本量偏少的儿童及老人的年龄预测误差;3)多中心多模板策略,有效利用了多中心数据多模板特征,提升了脑龄预测精度。