脑网络分析已广泛应用于神经影像领域的研究。传统功能连接网络大多是基于两两相关构建大脑区域之间的二阶关系,为有效构建大脑区域之间的高阶交互关系,基于超网络的脑功能构建方法被提出。超网络是基于超图概念下的复杂网络,超网络中的超边可用来表示多个脑区之间的交互作用。超网络是根据静息态功能磁共振成像时间序列通过稀疏线性回归模型构建。现有的稀疏线性回归模型大多是采用套索的方法解决的。虽然套索方法应用广泛,但也存在几个缺点。首先,当预先知道了关于特征变量的次序信息时此方法显然忽略了变量之间的次序关系;其次此方法不能有效的解释分组效应信息。为有效解决分组效应的影响,有关研究曾将组套索方法引入来进行超网络构建,虽然有效解决了组效应问题但其仅适用于互不相交的组,对于有重叠的组来说仍不适用。为分析已有方法的上述两点不足是否会对脑功能超网络的结构产生不利影响,本文希望分别找到解决两点不足的数学建模方法,并尝试应用于脑功能超网络的模型构建上来,并将新模型应用于抑郁症患者的分类识别中来,以探索在新模型下是否会有更优的分类性能,以及在什么情况下会有最优的分类性能。本文将两种新的数学建模方法应用于脑功能超网络的模型构建中来,并在每个模型下进行了寻优实验。本文具体的创新工作包括以下三点:第一,基于套索方法在应用时,当预先知道了关于特征变量的次序信息时忽略了变量之间的次序关系的问题,本文提出将融合套索的方法应用于脑功能超网络的模型构建中来,融合套索的方法通过惩罚回归系数之差实现自动组效应,使解具有分段常数化的特点,可简单的解决前后相邻变量次序信息的问题。第二,基于已应用于脑功能超网络构建的方法未考虑脑区组间的重叠性问题,本文提出将重叠组套索的方法应用到脑功能超网络的模型构建中来。大脑结构复杂,不仅在完成某一特定功能时会涉及到多个脑区的协同合作,而且从另一个角度说,同一个脑区会对多种特定功能起作用,且在同一时间下,同一个脑区可能就参与了多种特定功能的实现,这就产生了大脑脑区在实现特定功能时的组间重叠性问题。重叠组套索方法从数学建模上就将组间可能出现的重叠问题考虑其中,将其应用到脑功能超网络的模型构建上可以有效的解决脑区组间重叠性问题。第三,在完成脑功能超网络模型构建后,要将其应用于相关脑类疾病的分类识别就必须找到患病者与正常人之间构建好的模型里具有显著差异性的特征,这就需要进行特征提取和特征选择的过程。在之前已应用于脑功能超网络构建的方法中,在特征提取过程中仅提取了最常用的三个不同角度的聚类系数属性,属性较为单一。在重叠组套索脑功能超网络构建方法下,本研究在特征提取阶段,还提取了另外三个属性,分别是最短路径、节点的超边数（边度）和节点的介质中心度,与聚类系数属性一起进行多特征融合分析,新加入的三个属性也是超网络模型研究领域中较为常用的特征,将其与原有特征进行融合分析会对最终分类模型的分类效果产生显著影响。研究分别基于以上三个创新点进行了实验设计,并与原有的常用的套索方法作比较分。结果表明,融合套索方法和重叠组套索方法下构建的超网络与套索方法下构建的超网络相比结构基本类似。在对同样被试下的三种方法构建模型的聚类系数属性作比较分析时,结果显示重叠组套索与套索方法下的结果高度相关,融合套索与套索方法下的结果具有一定的相关性。在对三种方法下的聚类系数属性进行差异分析时,结果显示融合套索方法与套索方法结果具有显著差异,重叠组套索方法与套索方法的结果略有区别但不具有显著差异。在对使用三种方法下构建的模型仅使用聚类系数特征进行抑郁症分类识别的准确率实验比较中,结果表明,与基于套索的超网络构建方法相比,基于融合套索的超网络构建方法下的分类效果有所下降,基于重叠组套索的超网络构建方法下的分类效果有所提高。在重叠组套索方法构建脑功能超网络模型后进行特征选择时,增加最短路径、节点度和介质中心度属性与聚类系数属性一起进行融合分析的实验中,结果表明,通过与仅使用聚类系数下的效果数据对比分析可得,在重叠组套索方法下,进行多特征融合后的分类性能较仅使用聚类系数下的分类性能有显著提高,准确率达到87.87%。本文受到多项国家级、省部级基金和项目支持。本文的关键是在脑功能超网络构建方法层面及在特征提取阶段对原有方法的一些不足之处进行改进,以研究抑郁症患者较正常人在脑网络结构上的更多的差异性特征,希望能为抑郁症的早期诊断及治疗提供一定的帮助。这一课题受到了国内外广大学者们的重视。