机器学习,特别是深度学习,已经成为一种通过分析和提取高维神经影像数据中的隐藏连接模式来理解脑部疾病的神经基础的新兴工具。这种数据密集型方法越来越被认为有可能提高我们对脑部疾病的理解,以及它们的准确诊断和预防,特别是如果提供更大规模的神经影像数据库,并且基于现有数据开发改进的特征提取和训练方法。本论文的重点是开发新的特征提取技术和新的机器学习模型,使用静息状态的功能磁共振成像（Rsf MRI）数据以自动识别自闭症谱系障碍。近年来,在诸如自闭症,癫痫,阿尔茨海默病和注意力缺陷障碍等神经障碍的神经影像学研究中,已经提出了相当多的浅层和深层机器学习模型。此外,这些模型有助于发现异常的大脑区域。然而,分析神经影像数据面临着许多技术挑战,包括相当多的预处理步骤,在步骤中需要处理高维度及其许多混杂因素。这些问题和约束使得合适的计算方法的开发更具挑战性。为了应对现有挑战并提高分类准确度,我们采用了几种方法,包括采用“最优”神经影像处理管道,人脑图论模型,复杂网络特征选择和监督（浅和深）机器学习。在目前的研究中,我们的目标是构建有效的基于连接性的自闭症谱系障碍预测因子,并结合适当的分类器,以便产生高的准确率,精度和召回率。此外,这些模型可以帮助临床医生更好地了解这种衰弱病理下的非典型大脑区域和连接模式,并改善对疾病的诊断和预测。本文的主要贡献是:1)提出了一个利用功能磁共振图像识别自闭症障碍的框架,根据图形理论方法,从静息状态功能磁共振成像衍生的大脑网络模块化组织中分析出隐藏模式,实验表明,该框架在诊断自闭症方面是有效的。2)为了通过大脑区域连接特征来预测自闭症,提出了一种利用Katz相似度提取连通性特征的方法,使用XGBoost进行分类,实验表明,提出的方法可以检测成人和儿童的自闭症。3)为了整合使用三个不同参考图谱预处理的神经影像数据,提出了一个多图谱（multi-atlas）深度学习模型识别自闭症障碍,实验表明,该方法分类精度高。基于以上研究,提出的方法可以对自闭症患者的大脑中异常连接模式进行精确定位,可为临床医生提供重要的诊断信息这项工作的成果提供了如何基于对自闭症患者和健康参与者制作的相对较大的多站点数据集,和多图谱分析来构建更好的预测器或生物标记物的见解。有趣的是,本研究中开发的框架可能适用于识别其他神经精神疾病。