随着脑影像和机器学习的发展,脑网络逐渐成为大脑研究的一个重要方式,在脑网络建模之后,利用机器学习技术对脑网络的分析方式多种多样。大脑的结构和功能复杂,信号处理繁杂多样,包含着大量的标签信息和结构化信息。在利用机器学习方法对脑网络进行分析时,如何将这些信息以一种合理的方式被机器所识别并用作特征向量,已成为脑网络研究的一个热点。本文对基于新型图核的脑网络相似性判别进行研究,主要完成了以下方面工作:第一,通过大量实验分析了已有图核在脑网络分类上的应用方法,对已有方法进行了比较、指出了各方法优势与不足;第二,提出了基于权重的脑网络各拓扑属性融合算法,更加全面地描述出脑网络的结构信息。本方法在真实的轻度认知障碍的脑网络判别数据集上的分类精度达到76.0%,相对于各单个特征的分类方法均有大幅度提高,相对于单一提取聚类系数、特征路径长度、节点的度以及原始数据作为特征向量的分类精度分别提升了 13.9%、15.7%、15.4%和6.6%;第三,提出了一种新型图核,其核心思想是:以脑网络的每个节点为中心,将该点和与该节点相关性最高的几个节点一起构建一个脑网络的子网络,使用判别性函数对各个子网络进行相似性分析,从而判断脑网络的相似性。实验结果表明,平均准确率稳定在83%左右,相比之前的方法的分类精度更高,比RBF核方法高约14%、比Linear核方法高约17%、比Poly核方法高约19%、比Sigmoid核方法高出22%左右,相比其它同类方法也均有较大程度的提高,验证了本方法的有效性。