功能磁共振成像(Functional magnetic resonance imaging,fMRI)是探索大脑神经活动、研究脑区功能的重要成像手段,并在脑科学领域中得到了普遍应用。从这种小样本、高维度特性的fMRI数据中识别出内在的脑区活动模式,对理解人脑意义重大。近二十年来,随着模式识别技术和机器学习算法的发展,fMRI的分类研究逐渐成为了研究人员的兴趣所在。本文基于fMRI数据提出了两种新的分类方法,并分别用于轻度认知障碍的识别研究与阿尔茨海默症的历程研究。本文的主要内容描述如下:(1)提出一种新的加权随机SVM集群(Weighted Random SVM Cluster,WRSVMC)算法。该算法主要分为两部分,一是通过随机选择样本和特征建立多个SVM基分类器,以构建集成分类器;二是在投票过程中,对每个SVM进行加权,以优化模型的集成性能。本文结合fMRI数据和图论特征,采用WRSVMC算法对轻度认知障碍患者和健康对照展开了分类研究。结果表明,分类准确率高达87.67%,并且可以找到回直肌、中央前回、嗅皮质和枕中回等受该病影响的脑区,这为轻度认知障碍的诊断研究提供了新的思路。(2)提出加权进化的随机SVM集群(Weighted-evolutionary Random SVM Cluster,WERSVMC)算法。该算法创新性地将进化的思想引入到加权随机SVM集群中,动态地从高维样本特征中逐一删减冗余特征,以获取异常特征,最终找到与这些特征相关联的异常脑区。本文结合fMRI数据和功能连接特征,利用WERSVMC对阿尔茨海默症历程展开实验研究。结果表明,WERSVMC算法对早期和晚期轻度认知障碍组的分类准确率达到了90%,对晚期轻度认知障碍和阿尔茨海默症组的分类准确率达到了88.89%。在这两组实验中,一些异常脑区(颞上回,颞中回和脑岛)被同时检测到,说明这些脑区在阿尔茨海默症历程中扮演着重要角色。而部分脑区仅出现在一组实验中,这又说明了在阿尔茨海默症的不同演化阶段中,异常脑区发生了微妙改变,这为阿尔茨海默症历程的病理研究提供了一个新视角。