近年来,随着各国“脑计划”的相继提出,针对脑影像数据的分析与研究得到了大量研究者们的关注,其中基于功能脑影像的临床变量值回归目前已经成为一个新的研究热点。功能脑影像以无损的方式反映大脑的神经活动,而临床变量值能够定量的评估患者脑疾病所处的阶段。通过回归分析,能够发现大脑活动与脑疾病之间的关联性,预测出被试者脑疾病目前所处的阶段从而辅助医生诊断。本论文基于机器学习的最新研究进展,围绕功能脑影像的两种常见的分析数据:脑功能网络和低频振幅,展开研究。主要工作和创新点如下:第一,目前关于脑影像的回归分析研究大多数是基于结构脑影像的,而很多种脑疾病(如阿尔茨海默病等)是大脑功能受损造成的,基于功能脑影像的回归分析具有很大的研究意义。因此本文提出了一种基于大脑的功能连接性网络的方法,用于对脑疾病的临床变量值进行预测。首先从功能脑影像中提取功能连接网络,然后使用LASSO进行特征选择,剔除不具有判别性的边。同时融合网络的聚类系数和边的权重作为特征。最后使用支持向量回归机预测临床变量值。在ADNI数据集上对提出的方法进行验证,实验结果表明提出的基于功能脑影像的回归分析方法能够准确的预测疾病临床变量值，同时验证了多种特征融合的有效性。第二,脑网络反映的是整个大脑区域的活动,而不是疾病的异常区域,基于体素的方法(如功能脑影像的低频振幅信息)可以反映局部脑区的活动,为研究脑疾病的潜在病理提供帮助。然而,基于体素的数据通常是高阶数据,为了解决高阶脑影像数据的分析问题,提出了一种基于张量的正则化多线性回归算法(Multilinear LASSO,mLASSO),该算法是LASSO算法在张量空间的一个扩展,首先使用加权向量对张量做模乘运算,将张量空间变换到向量空间;然后在该空间上使用LASSO算法对目标值做回归分析,得到该方向上的加权向量,采用交替迭代算法依次优化各个方向的加权向量;最后,使用各个方向的最优加权向量和张量数据做模乘运算得到预测变量值。算法主要包含以下两个优点(1)充分利用了数据的结构信息;(2)该算法使用的LASSO算法嵌入了特征选择功能,提高了模型的泛化能力。在真实的三维影像数据上对提出的方法进行验证,实验结果表明该方法在多线性数据上表现出了良好的性能。