精神分裂症（Schoziphrenia,SC）是一种神经退行性疾病,患者在认知、记忆、情绪、运动感知等方面均有不同程度的障碍。SC患者的大脑信号异常,在结构和功能上发生的病变可能导致了其病理生理的失调。而目前,SC的诊断仍然主要依赖于患者的行为表现评分。由于对病因的认知不足,诊断方式相对单一等问题尚未解决,研究一种有助于诊断和治疗的生物标志有着重大意义。神经影像学的发展为研究精神疾病提供了更好的手段,功能性磁共振成像（functional magnetic resonance imaging,f MRI）可以更精确地观测大脑在结构和功能上的异常。功能连接已成为研究神经退行性疾病脑功能变化的重要工具。在此基础上,脑网络的理论也为研究精神疾病提供了新的视角。基于图论的网络拓扑属性指标已经在脑网络领域得到了广泛的研究,而基于脑网络的动力学特征的研究还相对较少。复杂度用于衡量系统的动力学特性,熵方法作为一种典型的复杂度指标,具有分析数据量小、抗干扰能力强、算法简单等优点,广泛应用于很多领域。而目前,熵方法在脑网络领域的研究还主要在算法的探索和创新上,因此将熵方法应用于脑网络来研究SC具有重大意义。本研究基于SC患者的静息态f MRI数据的功能脑网络进行功能熵分析,主要研究成果内容如下:（1）发现功能熵与功能连接强度和网络拓扑属性的显著关联研究基于UCLA-LA5c和SLIM两个公开数据集以及Power脑模版对功能熵与网络拓扑属性和功能连接强度进行了相关性分析。结果表明,功能熵和功能连接强度在全局和模块级别均表现出显著的正相关性,同时功能熵和功能连接强度均发现了与聚类系数、最短路径长度、局部效率和模块性的显著正相关性,与全局效率和参与系数之间的显著负相关性。此外,节点功能熵和节点效率在全部脑区均表现出显著的正相关性。通过功能熵与功能连接强度和网络拓扑属性指标之间的关系,来明确功能熵作为一种复杂度的指标可以对功能脑网络进行有效描述。（2）发现了SC患者功能脑网络的功能熵异常模式研究使用功能熵对SC患者和对照组的功能脑网络进行分析。结果表明SC患者的全局功能熵显著低于对照组的全局功能熵,在中央旁小叶、中央后回、枕叶、小脑、额叶、旁扣带脑回以及丘脑发现了节点功能熵上的显著差异,在默认模式网络和视觉网络发现了模块功能熵的显著差异。在与临床量表的相关性分析中,枕下回的功能熵与简明精神病量表和阳性症状评定量表呈显著负相关,中央旁小叶的功能熵与阳性症状评定量表评分呈负相关,且视觉网络的模块功能熵分别与简明精神病量表和阳性症状评点量表呈显著负相关。（3）提出高斯功能熵,分析SC患者功能脑网络的异常模式研究提出了高斯功能熵,并对SC患者和对照组的功能脑网络进行分析。结果表明SC患者与对照组的全局高斯功能熵,在中央旁小叶、中央后回额叶、颞叶、中央沟盖、缘上回、楔前叶、梭状回、角回、舌回、枕叶、楔叶、距状裂、小脑、扣带回和丘脑的节点高斯功能熵以及感知和运动网络、听觉网络和视觉网络的模块高斯功能熵具有显著差异。中央旁小叶、颞中回、内侧和旁扣带回的节点高斯功能熵以及视觉网络的模块高斯功能熵与临床量表存在显著的相关性。（4）建立了基于功能熵和高斯功能熵的分类模型本研究基于高斯功能熵和功能熵使用四种分类器构建分类模型对SC进行分类识别,结果显示高斯功能熵较于功能熵都有更高的分类准确率,对SC具有较好的区分度,且支持向量机（Support Vector Machines,SVM）分类器的分类效果最佳。综上,高斯功能熵作为一种新的功能脑网络复杂度的测量指标,在临床上有助于SC的诊断。综上所述,本研究通过研究功能熵与功能连接强度和网络拓扑属性之间的关系来明确功能熵描述功能脑网络的有效性。并对SC患者的功能脑网络进行功能熵分析,且对该方法进行改进,提出了高斯功能熵作为一种新的脑网络复杂度指标,这不仅仅丰富和发展了对脑成像研究的分析方法,同时也对研究神经退行性疾病的诊断和治疗有重大意义。