目前,基于扩散加权磁共振成像（Diffusion Weighted Magnetic Resonance Imaging,DW-MRI）的脑白质神经纤维跟踪算法是目前利用脑白质中的水分子扩散揭示活体大脑神经纤维信息的唯一方法。随着成像技术的发展,利用脑白质纤维跟踪技术探究脑区与各神经类疾病的关系成为临床应用领域的一大热点。但现有的疾病特征标记方法存在以下两个问题:第一,疾病区分特征单一;第二,方法的精准性、可靠性等并不高,无法满足临床需求。针对以上问题,本文在脑白质神经纤维跟踪算法的基础上,引入机器学习,深入研究神经类疾病特征分类并提出相应解决方法。本文的主要工作和成果如下:（1）针对疾病区分特征单一问题,提出基于脑白质纤维跟踪算法的解剖特征提取方法。该方法分为数据预处理、纤维重构、确定纤维跟踪以及大脑解剖特征提取四大步。同时介绍了基于体素的全脑纤维特征指标,包括以纤维体素为单位计算各体素的所有纤维长度的总和λ_v以及其长度逆λ_inv,以及基于脑连接度的纤维特征——区域间连接度的纤维偏向指数LI。（2）针对缺乏可靠科学的神经类疾病特征标记方法问题,在脑白质纤维跟踪算法的基础上,引入机器学习,提出一种特征分类算法。该方法利用ReliefF算法对纤维量化指标进行特征选择,之后通过支持向量机（Support Vector Machine,SVM）对疾病分类,结合连通性,研究疾病间的潜在差异。该方法是全自动化流程,无需医生手动划区等额外操作,整个过程高效简洁。（3）针对帕金森病（Parkinson’s Disease,PD）和影像扫描无多巴胺缺陷患者（Scans Without Evidence Of Dopaminergic Deficit,SWEDD）难以区分的问题,本文通过基于脑白质纤维跟踪算法的解剖特征提取方法提取28例PD患者和22例SWEDD患者的解剖特征,利用提出的ReliefF-SVM特征分类算法区分两类疾病。实验结果表明,基于SD_STREAM的疾病特征标记方法更能成功区分PD和SWEDD,分类准确率高达81.25%。根据分类结果,左脑的苍白球、伏隔核,右脑的腹侧尾状体、伏隔核和后顶叶丘脑这五个区域可以标记PD和SWEDD。在连通性的实验结果中可以看出,PD和SWEDD在扣带回与壳核、丘脑之间的连接上存在差异。帕金森病和SWEDD两类疾病的成功区分验证了本文提出的基于脑白质纤维跟踪算法的特征提取方法以及ReliefF-SVM特征分类算法的有效性,可为疾病分析提供新的策略。