目的:特发性震颤（essential tremor,ET）是最常见的神经性运动障碍疾病之一。由于缺乏客观有效的神经生物标志物,目前ET的诊断主要依赖于临床症状的评估。大量研究发现ET患者存在广泛的脑功能连接异常,但以往研究都是基于群体组水平,尚不能应用于个体化ET诊断。近年来,机器学习（machine learning）方法提供了一种个体化诊断的新思路,本研究旨在采用机器学习方法评估以静息态脑功能连接（resting-state functional connectivity,RSFC）矩阵数据作为输入特征对ET和健康对照者（healthy controls,HCs）分类的可行性。方法:本研究共纳入127名ET患者和120 HCs进行了磁共振功能成像（resting-state functional magnetic resonance imaging,Rs-f MRI）扫描,所有受试者Rs-f MRI数据预处理过后,采用AAL3模板将全脑分割为164个感兴趣区。通过计算可得到每个受试者的功能连接矩阵并提取RSFC特征（13366个特征）,并以7:3的比例将所有受试者划分为训练集和测试集。为了防止维度灾难、优化分类模型和防止模型过拟合,使用曼惠特尼U检验和最小绝对收缩和选择算子（LASSO）回归模型进行特征降维、筛选后,最终有44个RSFC特征用于ET和HCs的分类。本研究使用4种分类算法包括随机森林、梯度提升决策树、支持向量机和朴素贝叶斯算法识别ET,将在训练集上拟合优化好的分类模型应用于测试集进行评估。结果:分类结果显示,支持向量机、随机森林、梯度提升决策树和朴素贝叶斯算法均获得良好的分类效果,准确率分别为90.67%,89.33%,86.67%和76.00%,具有高贡献度的分类特征主要位于小脑-丘脑-皮层通路。相关性分析显示,其中有2个RSFC特征与震颤频率呈正相关,4个RSFC特征与震颤严重程度呈负相关。结论:本研究结果表明,基于静息态功能连接分析的机器学习方法对ET和HCs具有良好的分类效果,对分类模型具有高贡献度的辨别性特征主要位于经典震颤网络,也涉及非运动网络或区域。本研究不仅在静息态功能连接的角度进一步揭示了ET相关的脑网络发病机制,而且可以帮助临床建立潜在的影像学标志物,并且,部分RSFC特征可解释ET的部分震颤临床症状,这将为利用机器学习对ET临床症状的预测奠定基础。