脑功能网络（BFN）分析已经成为揭示大脑内在组织模式和探索神经心理疾病及其生物标志物的重要途径,并且在临床应用上表现出越来越大的潜力.这也使得构建或从数据中学习高质量的BFN成为一个非常重要和值得关注的问题.虽然近年来研究者们已提出了诸如Pearson相关、稀疏表示等一系列构建BFN的方法,但是由于实际观测到数据（如功能磁共振成像,简称fMRI）中包含大量噪声或伪影,往往导致所估计的BFN极不可靠.因此,在构建BFN之前,通常需要使用复杂的预处理流程来改善数据质量.常用的预处理步骤之一是数据清理,旨在根据头部运动的幅度从fMRI时间序列中删除“不良”信号.尽管此类清洗操作有一定效果,但简单地删除“不良”信号不仅会显著降低统计功效,并且致使不同受试者信号长度各异,进而在BFN估计中引入偏差.另外,传统的数据清洗完全独立于后续的BFN估计任务,不能保证移除的信号一定是无用的（反之,也无法确保剩余的信号一定有用）.为了解决传统数据清洗中直接删除信号点导致的一系列问题,本文提出了fMRI信号加权的全新解决方案,并对此展开了深入研究.首先,提出了一种基于逐帧位移（Frame-wise displacement,FD）值的fMRI信号加权策略,并基于此设计了新型的BFN估计方法.该方法不仅降低了传统清洗方案中阈值选取的难度,而且为后续BFN估计模型中数据清理提供了更为灵活的框架.其次,针对FD参数难以估计或者估计不可靠等问题,进一步优化了fMRI加权学习框架,通过交替优化算法实现BFN估计和fMRI数据加权,使得新开发的算法可自适应地对信号进行加权的同时,完成BFN估计.最后,为验证所提算法和框架的有效性,我们将所估计的BFN应用于阿尔茨海默病的早期诊断任务.实验结果表明,相对于传统基准方法,我们构建的BFN可以显著提高最终的诊断精度,并能发现有潜在价值的生物标记物.