自闭症谱系障碍属于精神类疾病,常见于儿童阶段,其准确诊断一直是临床实践中的重要课题。近几年,科学技术推动了人工智能的迅猛发展,根据大脑影像数据建模诊断脑疾病,以及分析其患病机制已经成为研究者关注的重点。基于功能脑网络和图神经网络的方法在脑疾病诊断中显示出了强大的性能。结合大脑影像数据和先验知识构建其网络结构能够帮助了解大脑的运行机制,提高疾病辅诊的准确率。但目前常用的方法中,根据提取到的数据构建“理想”的功能脑网络仍然存在挑战。此外,目前尚不清楚不同脑网络的非欧氏结构是否会影响图神经网络的性能,以及多大的程度上影响基于图神经网络的性能。针对以上问题,本文的主要工作如下:1.本研究通过对静息态功能磁共振成像数据进行预处理,通过时间配准、头动校正、颅骨分离等一系列的操作之后,提取到脑区的平均时间序列。将时间序列作为后续研究的主要数据。2.为了更好地编码脑区间的连接关系,本文提出了一种新的脑网络构建方法—基于皮尔逊相关的空间约束表示,对脑网络结构进行评估。该方法在皮尔逊相关的基础上,引入了空间上距离相近的脑区更有可能共享相似的连接拓扑结构的先验知识,不仅考虑到了不同脑区之间的距离,而且试图建模高阶相关性（比如不同边缘之间的相关或相关性的关联）的模型。3.为了评估各种脑网络结构模型,本文首先使用双样本t检验和Lasso算法进行特征选择,然后最常使用的分类方法—SVM被用于对其选择的特征进行分类。实验结果表明,本文所提出的脑网络构建方法获得了67.28%的准确率,0.7070的AUC面积,60.98%的敏感度和72.34%的特异性。这从一定层面说明空间信息可能是一个重要的、影响脑部疾病的生物机制。4.鉴于图数据可以包含更多的信息,本研究使用图神经网络的两个变体—图卷积网络和图注意力网络进行孤独症的辅助诊断。实验过程中以受试者为节点,站点、性别的选择为节点间的边关系构建图结构,结果表明,图卷积网络获得了69.50%的准确率,0.75的AUC面积,68.24%的敏感度和71.06%的特异性。图注意力网络获得了70.83%的准确率,0.73的AUC面积,69.37%的敏感度和70.48%的特异性。5.针对受试者间存在个体差异,本文使用脑网络构建方法计算出的结构作为图结构在图注意力网络上进行辅助诊断,并使用批量归一化优化网络结构。实验结果表明,使用本研究所提出的功能脑网络构建方法为图结构时,获得了72.40%的准确率,0.7580的AUC面积,71.15%的敏感度和75.00%的特异性。本文在ABIDE I数据集（n=871）上进行广泛的功能脑网络构建方法和分类框架的比较实验。结果表明了基于皮尔逊相关的空间约束表示方法的优越性,以及不同的脑网络对基于图注意力网络框架的分类结果具有一定的性能影响。这将有助于促进患者-健康对照者的分离,并为未来基于功能脑网络和图神经网络框架的疾病辅助诊断提供一个有前景的解决方案。