特征选择在功能磁共振脑影像的研究中扮演着非常重要的角色。它可以帮助识别疾病导致的大脑功能和结构异常或者检测不同任务刺激下大脑激活状况。但是,功能磁共振数据具有特征维度高,样本数量少,特征之间具有很强的相关性等特点,给特征选择方法提出了很强的挑战。大部分传统的特征选择方法旨在构建一个精妙的分类器,他们通常忽略了相关或冗余的特征,只选择差异特征中的一部分,或者由于不会影响预测准确率而包含一些噪声或不带有任何重要信息的特征。此外,传统的特征选择方法可能会由于样本数据的不同(即使是来自同一体系),而导致特征选择的结果显著地发生变化,得到不稳定的结果。近年来,稳定性选择方法由于其在高维数据特征选择方面表现出的良好的性能:1)有限样本情况下,从理论上对假阳性具有很好的控制;2)减弱了正则项参数对结果的敏感性,而倍受关注。但是,由于没有考虑特征之间的结构信息,基于简单稀疏模型的稳定性选择方法常常导致大量的假阴性。在本论文的研究中,我们将稳定性选择框架和结构稀疏模型相结合,提出了结构稳定性选择方法。特别地,针对功能磁共振数据常表现出很强的空间局部相关性,我们提出了“块相关子采样”方法。该方法可以有效地衔接基于特征子采样的稳定性选择方法和结构稀疏模型,整体上估计差异特征的结构。仿真数据实验和真实功能磁共振数据均显示,我们提出的新方法在很好地控制假阳性的同时有效地保证了假阴性的控制。而且相对于其他特征选择方法,我们方法得到的差异特征区域结构更符合先验假设,即差异特征呈聚集型分布。