基于脑图像结合机器学习开展个体认知指标分类(特别是针对是否患有某种精神疾病的分类)是当前神经影像学研究的热点。然而这些研究绝大多数是采用单标签分类,即每个样本只有一个标签。多标签分类允许一个样本有多个相互关联的标签,在基于脑图像的个体认知指标分类中,多标签分类不仅能一次性对多个认知指标同时分类,而且可以充分利用标签之间的相关性提升认知指标的分类精度。在种类繁多的脑图像中,静息状态功能磁共振成像(f MRI)因具备高时间和空间分辨率而被认为是极具临床应用潜力的脑成像技术之一。本研究基于静息状态f MRI数据,开展对个体认知指标的多标签分类研究,并采用汉明损失、0-1错误率、排序损失、覆盖率和平均精度来评价分类效果。本文主要开展了如下三项工作:(1)面向个体认知指标分类的特征提取及融合。有效的特征提取及融合是个体认知指标分类的关键。本研究在传统时域功能连接及复杂脑网络参数之外,引入频段功能连接特征,进而分别基于三种单一特征对个体认知指标进行多标签分类;融合两种分类精度较高的特征进行个体认知指标多标签分类。实验结果表明:与两种时域特征相比,基于频段功能连接特征分类精度更高;基于单一频域特征可取得与多特征融合相当的分类精度。(2)经典多标签分类算法在个体认知指标分类中的效用分析。目前尚不清楚哪种分类方式更适用于基于脑影像的个体认知指标分类。本研究分别从特征空间和标签空间出发,系统分析了五种经典多标签分类算法在个体认知指标分类中的表现。实验结果表明:与利用标签空间信息相比,充分特征空间的信息更有利于个体认知指标多标签分类。(3)不平衡数据集及缺失标签情况的个体认知指标多标签分类。目前基于脑图像的个体认知指标分类研究还停留在实验室阶段,尚未考虑数据集不平衡问题和缺失标签问题。本研究将不平衡多标签学习和半监督弱标签学习引入到个体认知指标多标签分类中,并对其进行一定程度的改进以同时解决这两个问题。实验结果表明:引入不平衡多标签学习和半监督弱标签学习可以有效提升个体认知指标多标签分类精度。本研究的贡献在于:(1)引入频段功能连接特征,结果表明该特征较传统的f MRI时域特征对于个体认知指标多标签分类更为敏感;(2)分析多种经典多标签分类算法,发现与利用标签空间信息相比,充分特征空间的信息更有利于个体认知指标多标签分类;(3)率先引入不平衡多标签学习和半监督弱标签学习,在解决问题的同时提升了个体认知指标多标签分类精度。