人脑是世间最奇妙的存在,激励着我们不断探寻。脑科学的发展加深了我们对于脑结构和功能的认识。功能磁共振成像(fMRI)具有较高的时空分辨率,得到广泛应用。fMRI功能连接是脑影像分析的重要方式,在近年来得到很大发展。随着人们对于功能连接认识的深入,一些新的理论和问题也被提出。一是最近有人提出动态功能连接理论,认为功能连接的时域动态特性包含更加丰富的信息。二是多中心数据融合问题,恰当的多中心数据融合有助于扩大样本规模,增加研究结果可信度。尽管已经用过很多算法对这些理论和问题进行研究,但这些算法都没有考虑到大脑信号的稀疏特性。基于此,本文将稀疏表示引入到功能连接分析领域,并以疾病分类为具体研究对象,分别完成了以下研究内容:提出了动态功能连接的稀疏表示分析算法。我们假设大脑的功能连接是多个基本连接模式的线性组合,用稀疏表示的方法来学习大脑的基本连接模式和它们的线性组合系数,成功实现了抑郁症与正常人的分类,分类精度达到94.34%。同时提取到了抑郁症功能连接网络的特异性模式,经分析,这些异常连接主要分布于默认网络、情感网络、初级视觉皮层等。提出了基于稀疏表示多任务SVM的多中心数据融合分类算法。利用稀疏和组稀疏结合的方法计算多中心数据特征权重矩阵,在提取多中心共享特征的同时,兼顾了单中心独立特征。利用该算法,我们完成了多中心精神分裂症与正常人的分类,分类精度达到79.23%,同时提取到了14个精神分裂症相关的多中心共享特征。本文成功地将稀疏表示运用于功能连接的分析中,解决了动态功能连接的模式分类问题以及多中心数据融合分类问题。同时本文提取到了有价值的精神疾病相关模式和特征,这对于精神疾病的分类和研究具有重要意义。