随着现代医疗水平的发展,针对各种复杂精神疾病的脑科学研究已受到国际社会的广泛关注,而一些比较棘手的精神疾病往往在青少年中发现。例如,由许多遗传、生物和环境因素相结合引起并具有社会行为异常为特征的精神分裂症就属于这类精神疾病,其中的脑成像表型和基因变异是致使此类患者患病的重要因素。可仅从这两种致病因素中找出与此类疾病的异常基因位点和异常脑区却十分困难。目前在精神分裂症疾病的临床检测上,通常以患者的入院检验报告和自身行为分析作为综合考量的依据,这种方法很大程度上要依靠医师的经验确诊和治疗,但是在疾病治疗中的主观因素反过来也可能是制约诊断准确性提高的瓶颈。因此,对于寻找针对海量的影像和基因数据的关联分析方法及进行有效分类变得非常重要。本文将采用一种基于深度信念网络的稀疏协同学习算法对精神分裂症患者的多模态数据进行关联分析和分类探究,根据早期关于致病机理领域的研究发现,大多数学者提出的大多是引入惩罚项或基于深度网络结构的算法,这类算法使用了能够防止模型过拟合的惩罚项或具有编码作用的网络结构。考虑到这类模态数据具有特征高维度的性质,已有的先进算法很可能会造成过拟合或重要致病基因缺失的现象,效果并不理想。为了解决高维数据分析的困难和克服深度典型关联分析的局限性,一种结合影像基因数据表型信息的有效算法在本文中提出,该算法由带有惩罚项的线性特征学习和基于深度信念网络的非线性特征学习组成。本文利用影像基因数据最大关联性获得对应数据中的脑体素或基因位点,进一步推断出引起精神分裂症的脑区或变异基因,另外,通过对网络模型中的顶层节点进行优化,获得最优的关联分析模型。本文针对影像基因数据的实验主要集中在两个方面的工作:使用f MRI数据和SNPs数据对精神分裂症患者进行分类和最大关联分析。分类实验用于分析各个算法的分类精度,而关联分析实验验证了各个算法在探索数据关联性方面的效果。该研究方法的优势在于:首先,结合大数据挖掘与机器学习算法,可以更好的探索特征信息的内在联系,可以为疾病的预测提供科学客观的依据;其次,不同类别的影像数据和基因数据互为补充条件,融合这两种数据信息能够提高对病理标记的识别能力。鉴于此,基于脑影像与遗传数据关联的分析方法研究在国际学术界引起了广泛的关注,被视为精神疾病研究中极具潜力的方法,具有重大的理论意义和临床价值。