脑影像技术的飞速发展,为我们更好地探索大脑奥秘提供了基础。其中结构磁共振成像(structural Magnetic Resonance Image,sMRI)技术可以清晰的显示大脑的结构信息,然而sMRI的数据是三维的并且体素个数达数百万,常规的机器学习算法难以直接处理如此大的数据量。近年来,深度神经网络在很多研究领域取得了重大突破,而且深度神经网络可以有效的处理大数据,高维数据等。因此本文针对预处理之后的灰质sMRI数据搭建了两种不同的深度神经网络来提取数据中的与性别相关的特征,并且实现了男女分类。利用搭建的深度3D卷积神经网络解决了大脑sMRI数据的性别分类问题。本文所用数据来自人类连接组计划(Human Connectome Project,HCP),目前数据集一共有876个成年人,其中包含385男性和491女性。本文使用降采样的方法来增加样本量,利用搭建的3D卷积神经网络实现了性别特征的提取和分类,最终男女大脑分类精度达94.21%。结果表明人类大脑是性别可分类的,即人类大脑可以划分为男性大脑和女性大脑。同时建议在脑疾病相关的研究或治疗中最好将男女两个群体分别展开。利用提出的深度3D卷积极限学习机模型进一步提高了大脑性别分类精度。首先设计了三个不同尺度的多层3D卷积神经网络来提取大脑不同尺度的性别特征信息,然后将卷积神经网络的输出特征拉成向量作为极限学习机的输入数据。不同尺度的网络主要是网络结构以及卷积核的尺寸不同,并且卷积神经网络的权值参数是随机初始化之后固定不变的,整个网络唯一需要计算的参数是极限学习机输出层和隐藏层之间的连接权值。经计算,最终网络的性别分类精度达98.06%。深度3D卷积极限学习机网络提取了更加完整的结构信息,提高了识别精度,节省了计算资源,加快了训练速度,为小样本数据的特征提取和模式分类提供了一种新思路。