近年来,随着医学影像技术的发展,基于大脑神经影像对脑疾病进行分类与分析吸引了大量研究者的关注。从大脑的医学影像构建出的脑网络,可以使得研究者从网络的角度分析大脑的功能与结构,在最近成为了一个新的研究热点。基于脑网络对脑疾病,例如老年痴呆症,轻度认知障碍,多动症等进行分类,对于脑疾病的自动诊断与分析,具有重要意义,也是本文的主要研究内容。具体的,本文的主要研究工作与创新点总结如下：第一,提出一种新的脑网络特征,称之为有序模式,以及一种频繁有序模式挖掘算法。有序模式由若干个有权边的序关系构成。不同于现存的脑网络特征,有序模式同时具有以下两个优点：首先,有序模式直接定义在有权网络上,不需要对原始的有权脑网络进行阈值化,从而大大避免了权值信息的丢失。此外,有序模式包含脑网络的局部拓扑结构,可以反映大脑的局部子结构异常。进一步的,我们提出一种有序模式挖掘算法,该算法利用频繁有序模式的Apriori性质,可以快速地挖掘出在脑网络集中频繁出现的有序模式。频繁有序模式代表脑网络集中普遍存在的信息,在脑网络的分析和分析中具有重要意义。在两个真实的脑疾病数据集上,我们验证了本算法的运行效率。第二,提出一种基于判别性有序模式的脑网络分类方法。首先,我们使用Ratio score函数,来衡量频繁有序模式的判别性,并选择Ratio score得分最高的频繁有序模式为判别性有序模式。通过判别性有序模式,构建出所有样本的特征矩阵。然后,使用支持向量机作为分类器,完成对脑网络的分类。我们使用三个真实的脑网络数据集,验证我们提出的分类方法的表现。分类结果显示,相较于基于传统脑网络特征的分类方法,我们提出的方法在三个数据集上都取得了更好的分类结果。进一步的,我们对在分类中使用的判别性有序模式进行分析。结果显示,我们发现的异常脑区与现存脑疾病的研究文献相吻合。