近年来,人工智能发展迅速。基于大脑影像数据对脑疾病进行诊断和分析获得了大量医生和人工智能研究学者们的关注。从大脑影像数据出发,可以构建其对应的脑网络。许多的研究集中在子图挖掘技术上,然而脑网络的潜在结构非常复杂,仅仅依靠子图挖掘这一浅层模型无法捕捉脑网络中存在的高度非线性结构。如何基于脑网络利用人工智能技术进行非线性数据挖掘和分析,从而帮助医生理解、认识和预防多种目前难以根治的脑疾病,具有重大的意义。本文的研究正是基于上述挑战和机遇,主要研究工作安排如下:一、针对如何将深度学习应用到图拓扑数据的挖掘和分类以及现有的卷积模式无法有效地捕捉图数据中的节点局部模式的缺点。本文利用图节点和周围相邻节点的直接相连关系,导出了适合于卷积神经网络的图局部模式,再在此基础上定义了行卷积滤波器。为了保证网络层次堆叠的过程中不会损失过多的图拓扑结构信息,提出了相应的结构保持池化操作,解决了行卷积神经网络在堆叠的时候因为损失过多的图结构信息而出现严重的过拟合现象。最后,通过在真实的脑网络数据集上进行的脑疾病诊断分类实验,验证了本文的方法在所有代表性方法中都获得了最好的结果。并且扩展实验也表明,该方法具有特征语意表达功能,借此可以有效挖掘脑网络中与脑疾病息息相关的ROI。二、由于现实生活中大多数的训练样本被无法检测的噪声所覆盖,尤其是医学影像数据存在不同中心分布噪声的假设。为了能够更好地利用有限而宝贵的医学数据,本文提出了一种基于样本噪声分布的深度集成学习框架。该框架假设样本的噪声具有随机的强度与方向。在此假设下,本文分析了单分类器的泛化误差界。分析表明,在实际的学习任务中,多数情况下医学影像噪声对单分类器的影响不足以破坏学习器的学习性能,即泛化误差小于0.5。同时,基于多个样本中心数据集学得的单分类器具有一定的差异性。因此,通过泛化误差和差异性度量进行的集成可以有效提高集成分类器的泛化能力。实验表明,我们的集成学习框架能进一步提升脑疾病诊断的分类精度。