轻度认知障碍症（Mild Cognitive Impairment,MCI）是介于正常衰老和老年痴呆的一种中间状态症。利用静息状态功能磁共振成像（Resting-state Functional Magnetic Resonance Imaging,rs-fMRI）进行动态功能连接（Dynamic Functional Connectivity,d FC）分析是目前捕捉神经活动动态变化进行脑疾病识别的先进技术。由于基于rs-fMRI数据构建的功能连接本身变化极其微弱,导致目前对该疾病仍没有一种客观且统一有效的基于功能连接的生物标记物。因此,本文首先提出了一种自适应的d FC建模方法,以准确地跟踪d FC的时变特性。然后,为了从d FC中提取到最具判别的时空特征,分别设计了三种不同的MCI识别方法,验证并揭示了与MCI病理相关的异常连接。本文具体的研究内容如下:（1）本文提出了一种基于卡尔曼滤波的自适应d FC提取方法。该方法将组Lasso和卡尔曼滤波算法相结合构建自适应d FC。组Lasso可以确定d FC的拓扑,卡尔曼滤波算法则可以逐点地捕捉功能连接的动态变化。提出的方法不仅解决了传统滑动窗参数选择的问题,还提供了更丰富的时变模式,设计的PH-Bi LSTM网络验证了所提出的d FC提取方法的优越性和有效性。（2）本文提出了一种基于时空注意力网络的MCI识别方法。同样,基于构建的d FC,为了显著地区分出最具判别的时间点和功能连接,分别提出了更适于提取d FC的时间注意力模块和空间注意力模块。此外,在设计的STA-Bi GRU网络中进一步在交叉熵损失函数的基础上了增加时空正则化项以优化网络训练。本文可视化了d FC的时空注意力结果,并探索了最具判别的功能连接和脑区。（3）本文提出了一种基于自适应动态时空图卷积的MCI识别方法。为了学习功能连接特征和拓扑特征的共享嵌入表征和动态特性,本文设计了自适应的图学习方法,并将其与时间、空间和通道注意力相结合,达到了端到端融合学习时空嵌入的目的。基于设计的ADGraph Net网络,对于三分类任务,MCI识别准确率较其它对比方法均有所提升,验证了提取功能连接及拓扑的动态性的重要性。