磁共振成像(MRI)作为神经影像中一种重要的脑成像方法,已被广泛地用于认知神经科学和脑疾病的研究中。磁共振功能像和结构像数据的传统分析方法通常对大脑中每个体素单独进行假设检验。然而,这些图像中分布式的空间模式可能是区分任务的不同条件或是区分不同组被试的更好的测度。因此多元模式分类分析(MVPA)等机器学习算法被用于识别人脑磁共振图像中的空间模式,实现大脑状态的解码,或者对健康和患病脑的区分。本文主要研究多元模式分类分析在三类磁共振成像数据中的应用：基于功能磁共振成像(fMRI)解码单手指运动；基于静息态功能磁共振成像(resting-state fMRI)的原发性夜间遗尿症(PNE)儿童和健康儿童的自动分类；基于扩散张量成像(DTI)的注意力缺陷多动症(ADHD)儿童和健康儿童的自动分类。基于多元模式分类分析的功能磁共振成像可以用来实现脑-机交互,以一种非侵入的方式从空间分布的大脑激活模式中解码出肢体运动信息,用于控制计算机或外部设备。手指是精细控制和动作的最重要的身体部位,因此我们研究从功能磁共振成像的单试次数据解码单手指运动。共有13个健康被试参与了一个视觉指引的延迟手指运动任务。在任务的每个试次中,被试用单手指执行一次轻微的按键。应用基于感兴趣区域的多元模式分类分析对5个手指单独运动时激发的大脑fMRI信号进行分类,分别计算了每个感兴趣脑区的解码正确率(DA)。另外,还应用探照灯式的多元模式分类分析,以一种空间无偏的方式对全脑搜寻相关的信息区域,计算了每个被试的DA值脑图。研究结果表明可以基于fMRI单试次数据解码单手指运动。在对侧体感皮层(S1)获得的平均解码正确率是63.1%(最好被试84.7%),对侧初级运动皮层(M1)的平均解码正确率是46.0%(最好被试71.0%)。置换检验表明这些区域获得的解码正确率显著高于随机水平(20%)。虽然获得的解码正确率对于实际的脑-机交互系统来说还不够精确,但研究结果表明非侵入性的功能磁共振成像技术可以为解码单手指运动提供有用的信息特征,也表明了发展基于功能磁共振成像的用于控制手指运动的脑-机交互的可能性。另外,本文研究加深了对于控制单手指运动的基本神经机制的理解。在基于静息态功能磁共振成像的PNE儿童和健康儿童的分类研究中,计算了AAL模板中90个脑区两两之间的功能连接(FC)系数。用每个被试全脑所有脑区之间的FC系数构造特征矢量,应用多元模式分类分析对两类被试进行分类,分类正确率为：健康儿童80%;PNE儿童70%。置换检验表明分类正确率显著高于分类的随机水平(50%)。结果表明大脑在静息状态下全脑的各个脑区之间功能连接模式可能可以反映出PNE这种疾病的特征。本研究的结果和提出的方法有助于实现基于MRI数据的医学诊断。在基于磁共振扩散张量成像的ADHD儿童和健康儿童的分类研究中,采用TBSS方法中的FA骨架提取每个被试的DTI特征矢量,应用多元模式分类分析对3对对照组的5种DTI导出指标脑图像分别进行了分类分析。结果显示最好的分类效果是在采用quadratic核函数SVM分类机对健康儿童和混合型ADHD儿童的FA特征矢量进行分类时得到的,分类正确率为：健康儿童73.33%,混合型ADHD儿童60%。然而,置换检验表明混合型ADHD儿童的分类正确率没有显著高于分类的随机水平。对于临床实用来说,获得的分类正确率还不够精确。我们分析了导致分类正确率低的原因,并提出了改进方法。本研究的结果和提出的方法有助理解ADHD的病因和发展基于MRI数据的医学诊断。