目的:研究基于机器学习（Machine learning）理论和方法的磁共振频谱（Magnetic resonance spectroscopy,MRS）、扩散峰度成像（Diffusional kurtosis imaging,DKI）、基于体素的形态学测量（Voxel based morphometry,VBM）等磁共振技术,提出一种有效的机器学习方法,结合多模态磁共振技术,找出一个无创、客观的智能诊断模型,早期诊断神经精神性狼疮（Neuropsychiatric systemic lupus erythematosus,NPSLE）。方法:所有被试分为NPSLE组和健康对照组（Healthy control,HC）,均进行3T磁共振检查,包括常规磁共振扫描、MRS、DKI和三维脑容积成像（Three-dimensional brain volume imaging,3D-BRAVO）等序列。分析数据以获取所有被试的以下信息:双侧扣带回后部（Posterior cingulate gyrus,PCG）、双侧背侧丘脑（Dorsal thalamus,DT）、双侧豆状核（Lentiform nucleus,LN）、双侧侧脑室后角旁白质区（Posterior horn of the lateral ventricle paratrigonal white matter,PWM）以及右侧岛叶（Right insular,RI）的N-乙酰天门冬氨酸（N-acetylaspartate,NAA）、N-乙酰门冬氨酸谷氨酸（N-acetylaspartyl glutamate NAAG）、胆碱（Glycerophosphocholine,GPC/Cho）、磷酸胆碱（Phosphocholine,Pch）、肌酸（Creatine,Cr）、磷酸肌酸（Phosphocreatine,PCr）,谷氨酸（Glutamate,Glu）、谷氨酰胺（Glutamine,Gln）、肌醇（Myo-inositol,m I/Ins）的绝对浓度,与代谢物浓度的比值。双侧PCG、双侧DT、双侧LN和双侧PWM的各向异性分布（Fractional anisotropy,FA）值,平均扩散张量（Mean diffusivity,MD）值,平均扩散峰度（Mean kurtosis,MK）值与经过VBM处理得到的脑灰质、脑白质和脑脊液体积等。提出一种机器学习模型,（1）结合MRS/DKI/VBM数据建立单模态机器学习模型检测对NPSLE的诊断效能。（2）结合MRS与DKI,或MRS与VBM,以及DKI与VBM,建立双模态机器学习模型;（3）结合MRS、DKI和VBM的数据,建立多模态机器学习模型。结果:本研究提出了一种机器学习模型:基于支持向量机的宽度学习系统（Support vector machine based on broad learning system,BL-SVM）。基于BL-SVM所建立的MRS单模态机器学习模型,区分健康志愿者和神经精神性狼疮,获得的准确率、敏感性和特异性分别为95%、100%和90%。DKI单模态机器学习模型准确率、敏感性和特异性分别为59%、78%和40%。VBM单模态机器学习模型准确率、敏感性和特异性分别为58%、78%和45%。双模态机器学习模型（MRS+DKI）-（BL-SVM）的准确率、敏感性和特异性分别为:95%、100%和90%。（MRS+VBM）-（BL-SVM）的双模态机器学习模型,准确率、敏感性和特异性分别为:85%、95%和75%。（DKI+VBM）-（BL-SVM）的双模态机器学习模型准确性、敏感性和特异性分别为:68%、81.7%和55%。而结合MRS、DKI与VBM的多模态磁共振数据作为输入特征,组成的多模态磁共振机器学习模型,区分健康志愿者和神经精神性狼疮,得到的准确率、敏感性和特异性分别是97.5%、100%和95%。结论:基于多模态磁共振数据建立的机器学习模型诊断效能最好;主要的贡献来源于MRS所代表的特征,DKI和VBM所代表的特征对诊断NPSLE敏感性和特异性较低。因此,基于BL-SVM的MRS是本研究所得出的最佳NPSLE诊断模型。该诊断模型为以后临床早期诊断NPSLE提供了一种无创、无辐射、便捷、客观的诊断手段。