自闭症谱系障碍(Autistic Spectrum Disorders,ASD)作为一种表现为社交缺陷和行为重复的综合症。目前仍然没有可靠的生物标记,是一种用行为定义的综合症。尽管许多医学专家致力于基于静息状态功能磁共振成像(f MRI)来检测临床上有用的生物标志物,但它们在特征选择过程中仍未能建立牢固的群体关系,从而导致了大量信息丢失。基于大型多中心自闭症脑影像数据交换(Autism Brian Imaging Data Exchange,ABIDE)数据库,研究以静息状态f MRI为基础,分别结合Lasso方法和自适应Lasso方法实现特征选择,但实验结果表明其模型预测效果还有待提高。为了更好地对具有样本量小、数据维度高、影响因素多等特点的疾病进行识别,并能更好地辅助临床诊断决策,本文提出了一种基于静息状态f MRI结合弹性网(Elastic-Net)方法实现特征选择,最终对自闭症谱系障碍被试者进行预测诊断。论文的主要工作及创新如下:(1)针对在特征选择过程中,当数据未进行任何处理时,不能将冗余信息剔除而保留大部分原始信息,使得正常被试者和ASD患病被试者之间的明显特征变得模糊,本文先对被试者数据进行阈值化处理,来保留同步化较高的部分正相关特征,再使用Lasso方法进行特征选择,得到较好的实验效果。(2)针对在使用Lasso方法进行特征选择过程中,Lasso方法对重要性不同的特征仍施加相同的惩罚这一弊端,将改进的自适应Lasso方法应用在建立的新预测模型中。实验结果表明,其性能预测指标值与Lasso方法相比有所提高。(3)针对Lasso方法及其相关改进方法在解决分组效应问题时,倾向于选择某个特征而忽视其他特征,可能失去大量关键信息,模型效果并不尽人意。本文使用基于人脑的静息状态f MRI,结合Elastic-Net应用于自闭症的早期诊断与预测,并与Lasso方法、自适应Lasso方法几类特征选择方法的结果对比。本文提出的Elastic-Net作为一种有效的回归方法,在原始特征集合,能够用稀疏形式将特征表示出来,优点是无需预先进行特征选择,从而大大节省了运行时间,提高了算法的效率,并能有效规避第三章提及的Lasso方法、自适应Lasso方法的不足之处,具有更好的预测效果。最终,借助于支持向量机(SVM)对ASD被试者进行分类,主要用分类准确率、灵敏度、特异度、阳性检测率、阴性检测率等指标来对算法的分类性能进行评估。实验结果表明,本文基于Elastic-Net方法进行ASD预测诊断具备有效性和实用性。