人类的大脑是一个十分精密而又复杂的系统,而其复杂的特性也使得它易受到疾病的攻击。近些年来,随着人工智能技术尤其是机器学习及深度学习的飞速发展,利用大脑的影像数据及机器学习方法来分析和诊断脑疾病的方案也受到了广大研究者的关注。从大脑影像数据出发,可以构建其对应的脑网络。目前现有的脑网络分类研究工作多是基于图论基础的,如子图挖掘以及图核方法等,但是这类的浅层模型无法有效地提取脑网络数据中存在的高阶非线性信息。近些年来,图神经网络在社会科学、自然科学、生物蛋白质相互作用网络、知识图谱等众多研究领域都取得了非常显著的成果。因此,通过图神经网络模型对脑网络数据信息进行深度提取,以帮助医生更好地诊断和分析脑疾病,十分具有研究意义。基于上述情况,本文进行了如下的研究工作:一、针对现有研究中使用的图通常是基于节点间的成对连接,因此不能有效反映三个或多个受试者之间的关联的问题（尤其是在多中心数据集中,即从不同医疗机构采集的,由于扫描参数或受试人群的不同从而产生异质性问题的数据集,问题更加明显）,我们提出了一种动态多中心超图卷积神经网络框架（DM-HGCN）,该框架利用超图来表示多中心数据之间的相关性,从而进行脑网络分类。具体地说,为了探索多中心数据中样本之间的相关性,提出了一种新的超图构建策略,该策略可以通过使用不同超边来描述中心内和中心间的数据的关系。然后采用超图卷积对进行特征提取,根据各层的特征嵌入动态更新之前的超图。与不变超图结构相比,上述更新方法可以得到对数据更加精细的描述。在两个多中心数据集上的实验结果也验证了该方法的有效性。二、目前在脑疾病诊断的研究中,主要有两种利用图卷积神经网络的工作,一种是在脑区层面上对数据进行提取,另一种是在样本层面上对数据进行分析,都取得了不错的效果。但这两类方法都没有同时利用大脑区域水平的信息和受试者层面的信息。为了解决这一问题,我们设计了一个嵌套图卷积神经网络（GIGCN）框架,该框架继承了两种已有工作的优点。具体来说,我们提出了一种嵌套图的数据结构,它由两种类型的图组成,即内部大脑连接图和外部样本图。在这种数据结构中,每个样本具有一个内部图,其节点代表大脑区域,边表示大脑区域之间的关联,而外部图是由所有受试者的样本构成,其中边描述了受试者之间的相似性。提出的框架使用GCN来探索一些更深层次的关系,以便更好地预测疾病。在ABIDE数据集上的结果验证了该方法的有效性。综上所述,本文提出了两种用于脑网络分类的图卷积模型,分别从外层样本图以以及结合内层脑区图和外层样本图两个角度来诊断脑疾病,实验结果也证明了方法的有效性,对帮助脑疾病的诊断具有一定的临床意义。