计算机科学的进步和计算力的发展带来了人工智能的第三次浪潮,人工智能技术正影响着社会多方面的变革,创新型医疗健康方法正是其焦点领域之一。但人工智能在医学领域细分方向上的应用始终面临着一些不容忽视的技术难题,其中标记数据集匮乏和针对性模型缺乏的问题尤为突出。鉴于脑血管相关疾病在临床上量化、诊断、监测、治疗及预后等的迫切需求,本工作聚焦于人体生命活动中极为重要的脑血流自动调节领域,针对患者个体脑血流自动调节机制评估困难的问题,分别分析了基于深度学习的有监督分类、半监督分类及无监督聚类方法,并提出了两种新颖的神经网络模型。主要的研究内容包括:1.实现了基于传统分段的有监督分类模型。使用传统划分的固定频段和时段内的平均特性和恢复率分别表征脑血流自动调节机能的频域表现和时域表现,再进一步通过统计学分析筛选出具备显著差异的分段特征,以筛选出的特征作为输入建立单层神经网络分类器。将原始变量以分段平均的形式表示本质上是一种特征压缩过程,且进一步筛选出的差异化特征更易于进行分类。实验结果表明,基于传统分段的有监督分类模型能实现最高84.02%的准确率。2.提出了基于卷积自编码器的半监督多尺度融合感知模型,并与已有的基于全连接自编码器的堆叠集成学习模型进行了对比。纳入相对较多的无标签数据,两组半监督模型的特征压缩过程均可通过自编码器的无监督训练完成,自动获取能够代表原始输入的低维隐藏层特征,再利用分类器实现有监督分类过程。提出的多尺度融合感知模型能够将融合了多尺度频域和时域局部信息的特征用于分类,在测试集上的表现显著,达到了96.72%的分类精度,远优于对照模型。3.将多尺度融合感知思想延伸到无监督学习,结合深度嵌入聚类模型提出了基于多尺度融合感知的无监督深度聚类模型。提出模型包含两个分支,通过多尺度融合感知分支的重构损失和深度嵌入聚类分支的聚类损失以完全无监督的方式联合训练,使经过训练后的中间层特征更利于聚类。与直接聚类和仅使用深度嵌入聚类模型相比,提出模型的分离性能极佳,在初始聚类中心选取合适的情况下能够实现类别的完全分离,我们将训练过程中样本分布的变化进行了可视化,证明了基于多尺度融合感知的无监督深度聚类模型在判别正常与受损的脑血流自动调节机能时的有效性。本文的创新点为:（1）设计了一种多尺度融合感知的方法获取包含多尺度局部信息的深层低维特征;（2）提出了一种针对性的半监督学习方法,克服疾病特殊性导致的标签数据匮乏的问题;（3）延伸提出的半监督学习方法,设计了一种基于多尺度融合感知的无监督学习方法,可以完全摆脱对标签数据的依赖,仍然取得极佳的分类准确率。