影像遗传学（imaging genetics或imaging genomics）是结合多模态神经影像学和遗传学方法,检测与影响神经疾病、认知和情绪调节等行为相关脑结构和功能的遗传变异。随着机器学习方法的快速发展,基于机器学习方法的影像遗传学是当前研究的热点问题之一。本论文是在机器学习的基础上开展影像遗传学分析,针对结构核磁成像对感兴区域的遗传研究和静息态功能核磁成像对功能连接的遗传研究,研究如何充分描述和利用生物标志数据内在的结构信息来建立相关模型,分析易感基因与大脑结构和功能的相关性,从而揭示出产生脑认知行为或者相关疾病的内在机制,进而开展研究工作:（1）多个基因位点变异与多模态多脑区的关联;（2）多个基因位点变异与多个脑区的关联;（3）单个基因位点变异对脑网络表型的影响;（4）多个基因位点变异对脑网络表型的影响。主要工作和创新点如下:（1）为了充分利用样本间的判别性信息和多模态脑影像数据表型的互补信息,本文提出一种基于判别性相似信息的多基因位点SNPs与多模态多脑区影像QTs关联分析方法。具体来说,首先,利用稀疏表示法提取类内样本间的判别性相似信息,构造了一种判别性稀疏典型相关算法D-SCCA。其次,考虑到多模态的脑影像能够更好地刻画相同脑区的不同结构和功能特性,从而将上述的D-SCCA双模态多变量稀疏典型相关分析模型扩展到多模态之间两两模态关联,即建立了多基因与多表型关联（multi-SNP-multi-QT associations）和多表型与多表型关联（multi-QT-multi-QT associations）,充分挖掘了不同样本和不同模态之间的关系。最后,我们还提出了一种轻量级的迭代算法来解决多模态关联模型的优化问题。在ADNI数据集上,实验结果表明,相比传统的单模态影像遗传关联方法,所提出模型能够获得更好的关联性能,并且实现了从基因型到表型再到诊断的链式关联的多模态一致性风险基因位点和脑区特征选择。（2）利用网络的局部结构,以及跨网络的公共信息和互补信息,本文提出一种基于融合自表达网络的多基因位点SNPs与多脑区QTs关联分析方法。具体而言,首先,通过对影像遗传数据进行稀疏重构来计算类内样本间的关系,以构建样本的自表达网络,并使用融合方法将不同的自表达网络迭代地融合为一个可以表示基础数据结构的网络。其次,为了探索影像数据与基因数据之间的关联,利用自表达特性对原始多模态数据进行重构。最后,提出一种基于融合自表达网络的基因与脑影像关联分析框架,充分利用网络的局部结构,以及跨网络的公共信息和互补信息,并通过对投影向量施加不同的惩罚约束,实现脑疾病回归和一致性基因影像生物标志物发现这两项任务。在ADNI数据集上,实验结果表明基于融合自表达网络的稀疏典型相关分析方法能够获得更好的关联性能,以及发现一些受多个基因位点SNPs影响的且与疾病相关的多个脑区标志特征。（3）针对目前大多数研究主要集中在脑结构成像与遗传变异之间的关联,而忽略了脑区域之间的连接信息这一问题,本文提出一种基于诊断对齐的风险基因位点SNP与脑网络表型QTs关联分析方法。具体而言,首先,从ADNI数据库的结构磁共振成像sMRI和静息态功能磁共振成像fMRI中提取结构节点特征和网络连接边特征。然后,我们应用诊断对齐的多模态方法来探讨已知的AD风险基因位点SNP APOE rs429358和脑网络特征之间的关系。最后,提出利用加速近似梯度APG来优化所提出的模型。在ADNI数据集上,实验结果表明基于诊断对齐多模态方法能够获得更好的关联性能,并且实现了从基因型到表型再到诊断的链式关联的多模态一致性风险基因位点和连接性特征选择。（4）为了进一步挖掘在神经退行性疾病中多基因位点变异对脑网络的影响,本文提出一种基于深度自重构的多基因位点SNPs与脑网络表型QTs关联分析方法。具体而言,首先,从静息态功能磁共振成像fMRI中提取脑网络节点特征和脑网络连接性边特征。然后,我们应用深度自重构稀疏典型相关分析方法来探讨多基因位点SNPs和脑网络特征之间的关系。最后,提出一种有效的迭代算法来解决基于深度子空间稀疏典型相关分析的关联模型的优化问题。在ADNI数据集上,实验结果表明基于深度自重构稀疏典型相关分析方法能够获得更好的关联性能,以及发现一些受多个基因位点SNPs影响的且与疾病相关的连接性标志特征。