孤独症谱系障碍（Autism Spectrum Disorder,ASD）是一种神经发育障碍,近年来患病率逐年攀升,给社会和患者家庭带来了沉重的负担,因此ASD的诊断和治疗具有十分重要的意义。该病的主要异常表现为重复刻板行为和与外界社会交往的受限,这些症状的病理生理学机制尚不明确。目前功能磁共振成像（functional Magnetic Resonance Imaging,fMRI）作为无创影像技术在认知科学领域取得了广泛的应用,基于fMRI的研究发现ASD与脑连接异常密切相关。基于脑功能连接特别是动态功能连接的前期研究对ASD的机制及解释已取得较多成果,基于脑连接的机器学习在单中心小样本数据集中也实现了对ASD的准确分类,但还存在难以反映脑连接方向及脑区间调控的因果关系、多中心大样本分类结果不理想等问题及挑战。格兰杰因果分析作为一种常用的有效连接分析方法,能够确定脑连接的方向性、评估脑网络间的因果关系。同时,相比其他有效连接分析,格兰杰因果分析建模简单,计算复杂度低,能够实现在全脑范围的建模。因此,基于格兰杰因果分析的ASD研究可望为探索该疾病的机制、实现准确诊断提供更丰富的神经生理学信息。本文使用孤独症脑成像数据集（Autism Brain Imaging Data Exchange,ABIDE）中的多中心数据,筛选出366名ASD患者和418名典型发育（Typically Developing,TD）人群,基于格兰杰因果分析研究了ASD患者全脑静态有效连接、全脑动态有效连接,并基于动、静态有效连接,通过双重嵌套递归特征消除的特征筛选方法定量识别ASD患者和TD人群,论文具体研究内容如下:首先进行了全脑静态有效连接分析。采用格兰杰因果关系建立ASD组与TD组的全脑的有效连接模型,并对连接模式进行图论分析。结果发现ASD患者的全脑有效连接网络模式异常主要集中在额-颞网络,其拓扑结构存在异常。在全局属性中,ASD组和TD组的全脑有效连接网络都符合小世界特性,然而ASD患者脑网络更偏向随机网络,信息传递比TD组紊乱。在局部属性中,ASD患者的右侧颞下回的节点效能及度中心性显著高于TD组,且节点效能与刻板行为的严重程度呈正相关;右侧补充运动皮层的节点效能和度中心性显著低于TD组,其节点效能与交流能力呈负相关。此外,ASD患者脑网络的全局属性随年龄异常变化,主要表现为远距离信息交互能力随年龄不断下降。明确了孤独症患者大脑静态有效连接差异后进一步分析了全脑有效连接的动态特性。构建了基于滑动时间窗的动态有效连接模型并进行聚类分析,研究两组人群全脑动态有效连接网络的时空特性差异。两组在空间模式差异与静态全脑连接模式相同,连接异常主要分布在额-颞网络。时间特性分析显示,有效连接的波动性异常与ASD的社会交往能力异常存在典型相关关系。同时,在总体样本和不同数据中心的重复试验中,ASD患者均表现出大脑状态转移次数减少。进一步研究发现ASD患者大脑在一种特定的状态滞留时间显著增加,这种状态主要特征是躯体运动和注意力网络的强连接。更为重要的是,状态转移次数减少、特定状态滞留时间增加均与ASD患者的重复刻板行为存在典型相关关系。最后结合机器学习方法,基于静、动态全脑有效连接对ASD患者进行定量识别。采用之前建立的全脑静、动态有效连接模型,利用非线性支持向量机分类器,基于双重嵌套递归特征消除方法选择最优特征。对于测试集,基于静、动态全脑有效连接特征的分类准确性分别为78.87%和84.51%,表明动态有效连接比静态有效连接蕴藏更丰富的信息。此外,图论分析最优特征子集发现,ASD患者异常的“驱动节点”和“被驱动节点”随时间变化,变化集中在额叶、颞叶和顶叶;“驱动网络”和“被驱动网络”部分随时间不变,其中默认模式网络、背侧注意力网络和视觉网络是稳定的“被驱动网络”,腹侧注意力网络是稳定的“驱动网络”。本文通过构建ASD患者全脑静态、动态有效连接脑网络模型,在多中心大数据集中从全脑尺度分析ASD患者与TD人群脑区间调控的时空特性差异,建立基于机器学习的ASD患者检测系统,实现ASD患者和TD人群的区分,为ASD的神经影像检测识别提供了可靠依据,也为进一步理解ASD的神经生理学机制提供了新视角。