新生儿大脑的结构、功能连接、认知水平等会在出生后的前几年经历一个动态的发育期。研究这个时期内婴儿大脑的发育情况在神经科学领域具有重要的意义,如,有助于了解健康婴儿的大脑早期发育的规律,以及实现神经发育障碍或精神疾病的早期辅助诊断。近年来,磁共振成像、神经影像计算和计算机技术等的飞速发展为准确地绘制婴儿大脑的结构图谱进而研究其发育状态提供了极大的便利条件。本文论采用大样本量的纵向婴儿磁共振数据集(>900婴儿),通过神经影像计算及机器学习等方法,基于婴儿大脑皮层的结构特征,对婴儿大脑早期发育的三个重要方面进行了研究:1)婴儿大脑主要的皮层折叠模式的研究;2)婴儿个体识别及个体差异研究;3)婴儿认知分数的预测研究。基于多视角的曲率特征和无监督学习探索婴儿大脑主要的皮层折叠模式。婴儿大脑的皮层折叠模式(Cortical Folding Patterns)具有显著的个体差异性。在大的样本范围下,一些脑区的皮层形态具有明显的多样性,存在几种主要的皮层折叠模式。探索不同脑区的皮层折叠模式,有助于我们了解健康婴儿的脑区形态。同时,一些神经发育障碍会导致大脑皮层折叠形态发生改变,因此加深对正常形态的皮层折叠模式的了解也将有助于对异常形态的检测。另外,基于代表性的皮层折叠模式可以构建出多种皮层形态的模板(Multi-Atlas),每个模板对应一种代表性的折叠模式,比起基于平均方式得到的单个模板,能够提高皮层表面进行配准的准确率。本论文提出一种新颖的无监督学习方法来探究个体差异性大的脑区存在的主要的皮层折叠模式。具体地,我们首先基于磁共振图像重建流形空间下的具有球面拓扑结构的大脑皮层表面,并基于平均曲率和球面小波变换,提取多视角的曲率特征。然后对每一种特征构建相似度矩阵,并通过相似度网络融合的方法将所有特征的相似度矩阵非线性地融合为一个综合的相似度矩阵。该矩阵包含了全面的来自于不同特征视角的样本间的相似度信息。最后,基于融合的相似度矩阵,通过分级的近邻传播算法将所有样本聚类为不同的组别,进而得到具有代表性的皮层折叠模式。我们将提出的方法应用在颞上回(Superior Temporal Gyrus,STG)、额下回(Inferior Frontal Gyrus,IFG)、扣带回(Cingulate Cortex)、楔前叶(Precuneus)等脑区上,探究了这几个脑区的主要的皮层折叠模式。此外,我们发现皮层折叠模式在STG,IFG和扣带回表现出显著的性别差异,在STG和扣带回表现出半球非对称性。我们还将方法应用到成人大脑连接(Human Connectome Project,HCP)数据集上,并将其结果与婴儿的结果进行对照,发现成人脑区的主要皮层折叠模式在婴儿出生时就已经基本形成。基于多尺度区域褶皱描述算子的婴儿个体识别及个体差异性研究。婴儿的大脑皮层处在动态的发育中,基于新生儿大脑皮层的结构特征进行婴儿个体识别具有重要的意义:1)有助于探究早期发育中的大脑皮层的个体差异性是否能稳定且可靠地用于婴儿个体识别;2)有助于探究哪些脑区表达出更多的结构的个体差异性,从而在个体识别任务中有更高的贡献;3)基于双胞胎样本,尤其是同卵双胞胎,研究大脑皮层结构特征是否能准确识别双胞胎婴儿。本论文构建出一种新的多尺度的区域描述算子——FoldingPrint,来表征脑区的个体化特征,并提出一个简单高效的基于相似度函数和投票的个体识别方法。我们将提出的方法应用到一个纵向的婴儿数据集上,用新生儿的大脑皮层特征分别对1岁和2岁的儿童进行个体识别,并统计识别准确率。实验结果表明基于婴儿大脑的皮层结构特征可以准确地进行个体识别,且大脑皮层上具有高识别能力的区域与具有高个体差异性的区域的重合度很高。另外,本论文提出的FoldingPrint可以有效的用于双胞胎婴儿的个体识别,即使是基因相同且生长环境相似的同卵双胞胎婴儿,其大脑皮层的结构特征仍可以作为可靠的生物学指标实现准确的个体识别。基于球面卷积神经网络的监督学习进行婴儿认知分数的预测研究。大脑的结构特征与认知功能在婴儿期都经历着快速的发育变化,有研究表明二者的发育是相互关联的。预测认知功能对于帮助了解正常婴儿的认知功能发育状态以及进一步了解婴儿认知障碍及其早期诊断有着重要的意义。然而我们对于婴儿大脑的结构与认知是怎样相关的,相关到哪种程度,以及结构是否可有效地用于认知预测的了解仍然非常有限,也缺少相应的预测方法。利用大脑皮层表面固有的球面拓扑结构,本论文提出了一种基于球面卷积神经网络的深度学习方法,基于大脑皮层的结构特征来对婴儿的认知分数进行预测。具体地,我们将欧式空间的卷积方法迁移到流形空间,构建了球面的卷积算子,实现了基于三角形网格结构的球面卷积和球面池化的操作。并将这些球面操作嵌入到DenseNet的框架下,从而构建出Spherical-DenseNet网络结构,实现对早期发育标准化测试的五个认知分数(精细运动、视觉接收、语言表达、语言接收、早期学习的综合分数)的端到端的预测。我们将方法应用到一个纵向的婴儿大脑磁共振数据集上,其中每个样本都含有三个时间点的磁共振数据,同时每个样本有2岁时测量的Mullen认知分数数据。我们使用多个时间点的婴儿大脑皮层结构特征对2岁儿童的认知分数进行预测。实验结果表明,与传统的机器学习以及深度学习方法相比,本论文提出的方法具备更好的预测性能。