近年来,脑科学成为各国前沿科学规划里的一大研究重点,而其中对于一系列脑相关的神经退行性疾病,如阿尔兹海默症（Alzheimer’s Disease,AD）的研究尤为活跃。这类疾病目前在临床上仍属于尚未具备有效治疗方案的不可逆过程,因此对于它们的早期诊断成为了关键。轻度认知障碍（Mild Cognitive Impairment,MCI）对患者的日常活动影响较小,有时会被视为正常衰老状态而忽略不计。但是,某些MCI患者可能会进一步发展为严重状态,例如AD。因此,有效诊断出MCI将有助于预防患者病情进一步恶化为AD。从静息态功能磁共振成像（rs-fMRI）数据构建脑功能连接网络的技术已被广泛用于检测一系列神经退行性疾病并帮助人们揭示神经活动的内在机制。脑功能连接网络的边通常由大脑区域之间的成对相关性决定,是决定其性能的关键。本文从复杂网络及轻度认知障碍分类等角度探讨了包括皮尔逊相关系数、最大互信息系数在内的多种相关性度量方式所构建的静态与动态脑功能连接网络的异同。并从特征提取的角度,利用集成学习的相关思想,通过集成多个由不同相关系数构建的脑功能连接网络,提出了一种多源连接网络（MuscNet）的集成模型。随后又通过特征选择及参数调节,进一步改进了模型性能。实验数据表明,一方面,多种脑功能连接网络都表现出了小世界效应,且都在相关任务上展现出了不错的性能;另一方面,不同源的脑功能连接网络,可以相互提供补充信息,提升单源脑功能连接网络在分类任务上的表现。而在这其中,最大互信息系数不仅自身表现出了独特的性能,还能够作为MuscNet算法优秀的信息源。此外,本文的相关实验还表明,针对特定任务,可以从特征选择方法及参数优化的角度对模型性能进行提升。MuscNet算法最终在检测MCI患者方面优于现有基准模型,其分类准确率可以达到0.9197。