大脑是人类最重要的器官之一,也是医学、神经生理学研究的重要对象之一。尽管通过多年来的努力,脑科学研究取得了长足的进步,然而脑部疾病这一种对患者自身、家庭和社会具有重大影响的疾病却一直难以被治愈。通常认为,早期发现、早期干预对脑部疾病的治疗具有十分重要的意义。在脑疾病患者早期没有出现明显症状时,磁共振影像(Magnetic Resonance Imaging,MRI)等影像学手段可为脑疾病的早期诊断提供支持。统计机器学习是现阶段不可或缺的MRI脑影像分析的手段之一。随着深度学习的兴起,如何用深度学习方法高精度完成MRI脑影像分析成为近年来相关研究领域的重点研究内容。然而,由于脑疾病成因复杂性以及当前MRI脑影像分析的高维小样本特性,导致效果不尽如人意。在此背景下,依托湖南省自然科学基金项目《基于机器学习的脑磁共振影像空间结构分析方法研究》,本文从深度学习方法层面同时结合脑科学背景知识对高维小样本问题进行研究,并应用于精神分裂症和阿兹海默症MRI脑影像的小样本分类问题。主要工作总结如下:对现有主流的应用于脑疾病诊断的多种浅层机器学习方法和经典深度学习模型在阿兹海默症和精神分裂症两种疾病的MRI脑影像小样本分类任务上进行了基准对比实验,获得了主流机器模型、特别是经典深度学习方法在这两种疾病的MRI脑影像小样本分类上的基准性能数据。针对阿兹海默症结构MRI(structural MRI,s MRI)脑影像小样本分类问题,本文研究了基于疾病演化的样本倍增和基于pix2pix生成对抗网络的样本生成方法,尝试通过构造新样本来改善s MRI脑影像小样本分类性能。首先使用我们从脑科学角度提出的基于疾病演化的样本倍增方法在疾病演化线性路径上倍增样本,同时赋以伪标签,然后使用pix2pix生成对抗网络从外部s MRI数据集学习目标数据集分布,以生成新样本,最后使用多种分类器在新样本上进行训练。将此方法应用于阿兹海默症s MRI脑影像小样本分类任务,结果表明,相比于基准方法,新提出的基于疾病演化的样本倍增和基于pix2pix生成对抗网络的样本生成方法有效提高了阿兹海默症s MRI脑影像的识别正确率。针对精神分裂症功能MRI(functional MRI,f MRI)脑影像小样本分类问题,提出了一种将多角度手工特征抽取和深度胶囊网络相结合的深度学习模型,首先从原始4D f MRI脑影像中分别提取了线性稀疏表达特征图、非线性多核表达特征图和脑功能连接特征图共计3种不同的2D特征图,然后专门设计了多层深度胶囊网络分别对这3种特征图进行分类训练,最后提出了一种新的最优化加权集成方法完成多决策集成。将此方法应用于精神分裂症f MRI脑影像小样本分类任务,结果表明,相比于基准方法,新提出的基于多特征胶囊网络集成的方法表现出更好的泛化性,有效提高了精神分裂症f MRI影像的识别正确率。