静息态功能性磁共振成像(rs-fMRI)是一种功能性磁共振成像(fMRI)方法,主要用于评估在静息或未执行明确任务状态下脑功能区域发生的相互作用。对rs-fMRI数据进行分析有助于探索大脑的功能组织,以及研究其在神经或精神疾病中的变化。现有研究发现大脑功能连接模式的变化与一些精神疾病的临床表现联系密切,如精神分裂症、阿尔茨海默病、自闭症等。基于机器学习方法对静息态脑功能连接数据进行研究,分析脑功能区域连接特征与脑疾病的关联,有助于对脑疾病的理解和潜在生物标志物的发现。本文基于rs-fMRI数据,利用神经网络模型对脑功能连接数据进行分类研究。深度神经网络模型在分类任务上取得不错的效果,已被应用于功能连接的分析,但利用神经网络模型进行预测,其内部逻辑难以解释。针对上述问题,利用分段线性神经网络(PLNN)的可解释性,本文首先提出了一种基于PLNN的全连接神经网络模型(FCNN),用于对脑功能连接数据的分类研究。通过将功能连接特征向量输入FCNN模型中进行训练,实现rs-fMRI数据的分类。然后,基于PLNN的可解释性,提出一种对FCNN模型的解释方法,对模型中单个样本的分类判断进行特征贡献解释;并对样本组在模型分类判断中的特征贡献进行统计解释。FCNN模型在ABIDE I数据集上对自闭症患者和健康对照者进行分类实验验证,实验结果表明FCNN模型具有很好的分类性能。同时,实验中还对功能连接特征在分类模型中的贡献进行分析。针对大脑各脑区之间联系协作的特点,本文提出了一种基于图注意力网络(GAT)节点表示的图神经网络模型(GAT-NR),对脑功能连接数据进行分类研究。首先将脑区作为图的节点,脑区之间的功能连接特征值作为节点之间连边的权重,从而将rs-fMRI数据构建为图数据输入图神经网络模型中进行训练并分类。在GAT-NR模型中,先采用图注意力层计算得到节点的特征表示,再将节点表示通过函数映射得到节点信息并对各节点的信息进行加权,最终输出模型预测结果。在ABIDE I数据集上,对自闭症患者以及健康对照者进行分类实验,结果表明模型在分类效果上具有优势。同时,在实验中利用显著图方法,通过计算梯度,对模型分类判断中的特征贡献进行分析。