随着成像等各种辅助诊断技术的发展,越来越多跨学科的研究者们基于不同的数据去探索人类大脑的内部运作及其与神经病学和神经退行性疾病之间的联系,然而利用经典的统计学方法处理这种高维医学图像的效果欠佳。本文主要的研究目标是基于注意力缺陷多动障碍的高维影像数据,注意力缺陷多动障碍(Attention Deficit Hyperactivity Disorder,ADHD)也叫少儿多动症,是最常见的儿童疾病之一,可以持续到个人发育的青春期和成年,症状包括难以集中注意力,难以控制行为和活动过度。近年来,在对该病症的影像数据的研究中,传统的统计方法直接将成像数据向量化后会得到超高的维数,这种向量化会对成像数据结构造成严重的破坏,忽视了数据的结构依赖性,从而损失很多重要的结构信息,因此该类数据的处理对经典统计方法提出了前所未有的挑战。本文所用的实验数据ADHD-200是注意缺陷多动障碍的核磁共振影像(MRI)数据,基于此数据提出了一种多维度分割的数据预处理方法,结合随机森林分类方法对分割后的数据进行分类,然后再根据提出的多维度集成算法进行分类和目标检测任务。主要完成了提高诊断正确率、病变区域检测和阈值选取的三方面研究问题。全世界研究者对数据ADHD-200的平均诊断正确率为60%左右,该方法最终可以达到75.4%。另外,本文分别在模拟数据和真实数据中均进行了实验并检测到了信号区域。最后,结合实际问题背景,本文给出了阈值的选择方法,来帮助医务研究者选取对研究有利的阈值。