注意缺陷多动障碍(Attention Deficit Hyperactivity Disorder,ADHD),俗称多动症,是一种高发于青少年时期的精神障碍疾病,临床上的主要症状有:注意力集中困难、活动过多、冲动控制力差。许多多动症患者在成年后仍会存在这些症状,这将给患者学业、身心健康、成年后的家庭生活和社交能力带来负面影响。然而人们对多动症的病因和发病机制还不了解。目前多动症的临床诊断主要是依赖美国《精神疾病诊断与统计手册》第五版,这种量表式诊断会带来一定的问题,即不够客观。这将影响多动症的准确诊断和治疗。于是越来越多的研究者投入到多动症脑机制和自动诊断的研究中。同样,为了探索客观性的诊断因素,本研究将开展两方面研究:基于磁共振影像探究多动症脑网络机制及诊断模型。主要研究工作如下:第一部分是基于磁共振影像的多动症脑网络机制的研究。研究目的是探索多动症的影像标记物。主要利用了基于体素的形态学方法(voxel-based morphometry,VBM)和相位同步分析方法来提取多动症的影像标记物。研究结果发现了多动症患者和正常对照之间具有差异的脑区,这推动了多动症脑机制研究的进一步发展。第二部分是基于动态功能连接的多动症诊断模型研究。研究的目的是探索多动症的自动诊断模型。由于研究者发现,揭示大脑网络复杂多变的特性及其机制仅考虑静态的功能连接是不够的,因为静态的功能连接无法解释大脑时变的、动态的信息交互,于是动态功能连接应运而生。许多临床研究表明,动态功能连接分析可以给临床疾病的病理探究和辅助诊断提供更好的依据。于是本研究采用了动态功能连接方法,并结合支持向量机和卷积神经网络分类器来开展研究。其大致流程是将静息态功能磁共振数据经过动态功能连接估算方法生成动态功能连接数据,之后对获得的数据进行特征提取,利用获得的特征进行聚类,最后,对每一类进行分类研究。使用的分类方法是机器学习在神经领域方面较适用的分类方法:支持向量机;然而传统的人工提取特征方法提取的特征较为单一,因为人工提取的特征都是能够解释的,比较深层、抽象、不能解释的特征是不能通过人工干预获得的,所以为了有效的提取多动症数据的深度空间信息,本研究引入了卷积神经网络算法。这部分研究能有效的实现多动症患者和正常受试者的分类,且分类准确率都在90%以上。本研究主要围绕多动症脑机制研究及诊断模型两方面展开研究的,在多动症脑机制研究中,利用基于体素的形态学分析方法和相位同步分析方法能有效的寻找到多动症的影像标记物,可为下一阶段针对特定脑区研究多动症的病因提供新的思路和方向;在自动诊断模型的研究中,动态功能连接和卷积神经网络的多动症诊断模型能够证明动态功能连接在多动症的分类研究上的有效性。