精神分裂症是一种精神疾病,患病人数约占世界总人数的1%,其临床症状表现不一,即使是同一患者在不同病期表现出的症状也有明显的差异。目前精神分裂症的诱发病因和发病机理还不明确,针对患者的脑信号研究将为精神分裂症的治疗和严重程度的评估提供选择依据。脑磁成像技术具有图像清晰,定位准确的优点。论文从特征提取和功能脑网络角度对正常受试者和精神分裂症患者的脑磁信号进行分析。主要工作如下:首先,将最优小波包分解与能量熵结合,提出了一种新的特征提取与分类的方法。将经PCA降维后的MEG数据进行小波包分解得到小波包库,结合小波熵从中选择最优小波包基,然后对最优小波包基系数进行幅度调制求取包络能量熵,将其能量熵的统计特性作为特征进行分类。该方法不仅考虑了脑磁信号维数较大的特点,而且通过对最优小波包基系数的幅度调制,在降低特征维数的同时有效的保留了特征信息。其次,从复杂网络的角度,提出了一种脑功能网络构造新方法。对精神分裂症患者和健康受试者静息闭眼状态下的左脑颞叶和额叶区的脑磁图信号,采用滑动时间窗﹑短时傅里叶变换,计算Pearson相关系数得到动态功能连接矩阵。基于功能连接矩阵使用图论方法和阈值选择原则,分别构建了权重和二值网络。且提取脑网络测度,进一步研究脑网络的小世界特性。最后,实验发现基于小波包基与能量熵的脑磁信号自动分类方法有高达97.5868%分类准确度。同时基于脑功能网络构造方法,对脑网络测度进行研究分析,结果表明相比健康受试者,精神分裂症患者的几种脑功能网络都具有较小的绝对聚类系数,较大的最短路径长度,且健康受试者的脑网络有更显著的小世界属性,信息能更加高效地在大脑区域间传递。