功能磁共振成像技术（functional magnetic resonance imaging,fMRI）是探索人脑功能奥秘的最有效方式,其中自然范式（naturalistic paradigm）成为研究人类日常生活场景中脑功能活动的有效实验范式。从自然范式功能磁共振成像（naturalistic paradigm fMRI,NfMRI）识别有意义的脑功能网络并刻画脑功能网络重要的层级结构,已经成为当前脑科学领域的热点问题。尽管目前已有少量聚焦于构建脑功能网络层级结构的深度学习模型,然而现有的模型大都依赖手动调参,同时忽略了自然范式下脑神经活动的固有特性和大脑空间信息中存在的复杂时间和空间层级组织。针对以上问题,本文提出了两种基于神经架构搜索与深度信念网络结合的大脑功能网络识别与分析方法,主要工作和贡献总结如下:（1）提出一种基于神经架构搜索的VS-DBN（Volumetric Sparse DBN）模型（Volumetric NAS-DBN）建模群组水平NfMRI体积图像。该方法重点关注NfMRI群组体积图像的层级时空特征。实验结果表明,自动优化的VS-DBN模型能够挖掘NfMRI体积图像中有意义的时空特征,进一步揭示了NfMRI体积图像的脑功能层级结构。（2）提出一种基于神经架构搜索的两阶段深度信念网络（neural architecture search two-stage DBN,NAS two-stage DBN）来建模NfMRI时序信号。该方法以自然范式脑功能活动的神经学特点为依据,兼顾NfMRI信号的群组一致性和个体差异性。第一阶段根据NAS搜索结构搭建群组模型,第二阶段根据群组模型参数初始化个体模型。结果表明优化后的模型揭示了自然范式群组和个体脑功能网络的一致性和差异性,同时挖掘了有意义的脑功能层级结构组织,突出了模型良好的表征能力。（3）为了评估模型的性能和鲁棒性,在工作（2）的基础上扩大数据集,将NAS two-stage DBN与常用的脑功能网络识别方法进行系统的实验对比。实验结果表明,本文所提出的模型在两个数据集均揭示了鲁棒的脑功能网络的固有特性和层级结构,且结果显著优于对比方法。最后,通过对时空特征的进一步分析揭示了模型表征的结果符合神经科学特点,证明了本文所提出模型的有效性。