fMRI数据分类是指通过计算机手段识别受试者的功能磁共振成像(fMRI)数据,从而对受试者是否患有相应的脑疾病进行自动诊断的高效医疗技术手段。该技术提供了一种能够破解相关脑疾病发病原理的重要手段,同时可以对疾病高风险人群提供早期筛查与诊断,因此具有巨大的研究价值和应用前景。近年来,大批研究者们使用机器学习方法应用于fMRI数据分类中,并引起广泛关注。这些方法可以大体划分为基于传统机器学习和基于深度学习的fMRI数据分类方法,其中基于深度学习的fMRI数据分类方法能够有效的提取fMRI数据中的深层次特征,具有相较传统机器学习方法更好的分类性能,因此逐渐受到研究者们的青睐,成为fMRI数据分类领域中的一大热点。虽然深度学习方法有效地弥补了传统机器学习方法中模型对fMRI数据的高维小样本特性拟合能力不足等问题,但是深度学习方法因其普遍复杂的训练结构和大量的计算参数,导致了训练速度慢、时间长等问题。为了克服上述不足,本课题完成了如下两个方面的工作:(1)为了提高fMRI数据分类速度,我们提出一种基于单层宽度学习的fMRI数据分类(SBLS)方法。该方法选用了一种新型机器学习方法——宽度学习系统(BLS),宽度学习系统能够通过简单结构提取fMRI数据的深层特征,加快分类速度。具体来说,首先,使用fMRI感兴趣区域体素构造数据;然后,通过随机特征映射和特征增强,分别提取数据中的浅层和深层特征,并构建模型框架;最后,利用岭回归逆计算分类模型的连接权值,实现对fMRI数据的分类。本文使用ABIDE I、ABIDE II和ADHD-200三个数据集,将所提出方法与6种分类方法进行对比实验,结果表明,本文提出的方法可以在保持良好的分类准确率的同时,大幅度降低训练时间。(2)为了充分提取fMRI数据中的连接性特征,进一步提升基于单层宽度学习的fMRI数据分类方法的分类性能,我们提出了基于多层次宽度学习的fMRI数据分类(MBLS)方法。MBLS通过构建层内串联、层间并联的BLS,实现能够拟合人脑复杂连接的多层次BLS模型,旨在保证高效分类速度的同时,加强对数据中连接性特征的提取能力。首先,使用fMRI的皮尔逊相关系数构造数据;然后,使用逐层递进的随机特征映射和特征增强,分别提取数据中各脑区域内和不同区域间的连接性特征,并构建模型框架;最后,利用岭回归逆计算分类模型的连接权值,实现多层次的宽度模型结构。在ABIDE I和ABIDE II两个数据集上的实验结果表明,相比于SBLS方法,多层次宽度学习(MBLS)方法都能够有效提升fMRI数据分类的性能;将所提出方法与6种经典分类方法进行对比实验,MBLS方法可以在提高分类准确率的同时,大幅度降低训练时间。本课题开展的工作不仅将fMRI数据分类方法延伸至宽度学习领域,促进了宽度学习在fMRI数据分类中的研究与发展,而且对脑疾病的快速、准确地诊断有着积极作用。