近年来,神经影像技术用于退行性疾病的计算机辅助诊断受到越来越多的人关注。脑影像技术为人类全面理解大脑组织结构提供丰富的信息。多图谱脑影像分析方法利用多个脑图谱间的信息互补关系,以提取判别性信息能够帮助医生找出病变机理。但目前多图谱脑影像分析方法面临一些挑战,如脑影像样本数量少,脑影像数据特征维度高、难以保留脑影像数据结构特性等问题。如何在样本较少的前提下选取脑影像数据内部的潜在判别信息以及保留样本空间结构特性至关重要。在分析脑影像数据的空间结构信息以及多个图谱间的相关关系后,本文提出两种多图谱脑影像分析算法,主要工作和创新如下:为了充分利用多个图谱脑影像数据的关联信息,本文提出一种权重诱导低秩学习的多图谱神经影像特征选择算法。通过引入样本权重,来衡量不同样本对分类的相对贡献。具体来说,利用低秩约束权重矩阵来衡量不同图谱样本之间的相关关系。此外,在目标函数中添加稀疏项,去除掉与脑疾病无关特征,选择出更具有判别力的特征。实验证明,提出的方法可以在多个图谱间识别显著的致病脑区。为了充分利用样本的空间结构信息,对权重诱导低秩学习的多图谱神经影像特征选择算法进一步优化,提出一种基于子图核的多图谱脑影像样本判别方法。认为同类样本在空间结构中具有较近距离,因此通过计算样本之间的相似性来找出不同类样本之间的差异性。脑网络可以用图结构进行表示。首先,选择出携带有判别性信息的子图结构。然后,应用面向脑网络的图核函数来计算任意两个子图之间的相似性,得到用于测量一组子图相似性的子图核。最后,利用多核支持向量机融合多图谱子图核矩阵进行分类。提出的算法不仅保留了脑影像数据的空间结构信息,还可以找出不同类样本空间结构的差异性。本文在中科院图谱、Power图谱以及Stanford图谱的功能磁共振成像数据上进行实验。实验结果表明,与目前主流的多图谱脑影像分析算法对比,本文的算法具有一定的竞争力。