精神分裂症是在临床中较为常见的一种慢性的大脑认知异常疾病,常伴有以幻觉妄想为主的阳性症状和以认知损伤为主的阴性症状。虽然以往的研究从行为、生理、心理等多个层面对其病理生理机制展开了大量研究,但是迄今为止,其具体发病机制仍不明确。临床上对患者的诊断也主要依赖于医师的主观判断,目前仍然没有建立关于此类病症的可靠生物学标记物的共识。近年来,无创的磁共振成像技术作为研究大脑的任务和静息活动规律的有力工具,而备受研究者重视。根据先前的研究,精神分裂症是一种在结构和功能上都呈现连接性异常的疾病。本文从结构和功能两种模态来研究精神分裂症患者大尺度脑网络的异常,借此来探究精神分裂症的发病机理,并探究大尺度脑网络的异常是否能作为生物学标记物来辅助临床诊断疾病。本文的主要内容包括:在神经科学中,先前对大尺度结构和功能大脑网络之间关系的探索主要集中在全局或局部指标的统计相关性上,从而忽略了网络的上下文信息,例如网络拓扑结构信息。在本研究中,我们使用网络表示学习方法来创建结构或功能子网络的高阶表示,以研究局部网络上大脑的功能结构耦合在精神分裂症患者中的异常。我们发现,从网络表示学习方法中重建的结构和功能的网络之间的关系比从传统的相关方法获得的这种局部的结构网络间连接和功能网络间连接更稳定。与健康对照组相比,在精神分裂症患者中的应用显示出执行控制网络上的耦合降低,以及边缘网络上的耦合升高。总体而言,网络表示学习可以更有效地捕捉大脑结构与功能之间的高级耦合关系,并为我们研究精神疾病提供了良好的技术手段。进一步的,我们基于精神分裂症患者的结构功能耦合异常,提出了新的精神分裂症患者诊断算法。首先,我们利用网络表示学习对结构功能网络进行向量表示,并利用融合结构功能的表示向量构建了人口学网络。我们创新性的将诊断问题规约为此网络上的节点分类问题。接着,我们使用了不同的节点表示算法,将被试包含被试间信息的人口学网络基于节点表示为特征向量。我们根据不同算法得到的表示向量,结合不同的下游分类器进行了分类对比。并最终取得了86%的分类准确率。本文结合精神分裂症患者的结构和功能大尺度网络分析,对大脑异常连接现象进行研究,从而为研究大脑的连通性异常的疾病诊断和治疗,提供了新的思路。