功能磁共振成像是一种广泛应用于疾病检测的影像技术,其成像基础是血液中的血氧水平依赖（Blood oxygen-level dependent,BOLD）,BOLD信号可视为由多个子系统构成的大系统。此外,已有研究表明,生理信号（如呼吸、心率等）的稳定性可以反应人体的健康情况。因此,本文将从BOLD信号子系统稳定性的角度进行分析,并应用于阿尔茨海默症（Alzheimer’s Disease,AD）和轻度认知障碍（Mild cognitive impairment,MCI）的识别中。主要工作如下:（1）将动态模式分解（Dynamic mode decomposition,DMD）应用于BOLD信号中,可以将BOLD信号转换为多个连贯的子时空模式,即动态模式（Dynamic mode,DM）,本文中将DM视为子系统。每个DM都对应一个特定的特征值λ,特征值的相位和幅值分别决定该DM的震荡频率和稳定性。根据系统稳定性理论,将|λ|＞1的DM划分为不稳定,|λ|＜1的DM划分为稳定。（2）基于DM稳定性进行特征提取,本文共提取了三类特征。第一类,基于DM的时间特性,提取DM的时间特征。第二类,基于DM的空间特性,提取DM的空间特征。第三类,基于DM的拓扑属性,对稳定DM构建稳定网络（Stable Network,SN）,对不稳定DM构建不稳定网络（Unstable Network,UN）,提取SN和UN的网络拓扑特征。基于此,共提取了24个特征,对所有特征进行One way ANOVA方差分析。结果发现,14个特征在AD、MCI和健康被试（CN）间具有显著性差异。（3）基于以上特征,对疾病进行识别。本文共采用十种机器学习分类算法在AD和CN、MCI和CN、AD和MCI间进行分类,最终的平均分类准确率结果分别为:93.5%、90.1%和82.7%。此外,还将本文所提出的方法与传统的BOLD信号分析方法（低频振幅分析、局部一致性分析）进行了比较。结果发现,本文所使用的基于BOLD信号子系统稳定性的分析方法分类准确率明显高于传统BOLD信号分析方法。综上所述,本文将DMD引入BOLD信号分析中,创新性地从BOLD信号子系统进行稳定性分析,并应用于AD和MCI的识别中。研究表明BOLD信号子系统的稳定性有可能会随疾病发生改变,该项研究不仅为BOLD信号的分析提供了新视角,而且也有助于对疾病机制的深入理解。