脑网络已经在神经成像领域内得到广泛的应用。近年来,高阶功能连接网络和超网络在脑疾病诊断方面取得了较大的进步。然而,两种网络均存在相应的问题:高阶功能连接网络虽然考虑了网络的时变特性,但并不能处理网络中的空间多元交互问题;而超网络虽然可以表征多个大脑区域之间的相互作用,但并未考虑到网络的动态特性,这种相互作用本质上是静态的。因此,上述两种网络都有各自的局限性。为了解决这一问题,本文融合高阶功能连接网络和超网络的特性,提出了一种具有时变特性的超网络构建方法。该方法在考虑到脑网络时间动态性的基础上,基于LASSO方法进行脑功能超网络构建,所构建的网络不仅能有效反映空间中具有多重关系的多个脑区之间的相互作用,还能体现出时变特性对网络的动态影响。本文主要工作包括:（1）融合高阶功能连接网络与超网络特性,构建了具有时变特性的超网络。由于脑网络在本质上是动态的,也就是说脑区之间的功能连接强度是随时间动态变化的,而高阶功能连接网络可以体现网络的时间特性,超网络能够反映在同一时间内,一个大脑区域与其他多个大脑区域之间的静态的相互作用。因此,本文考虑将高阶功能连接网络与超网络特性相融合,提出了具有时变特性的超网络构建方法。（2）针对所构建的时变特性超网络,进行特征提取及选择,并利用传统机器学习方法进行验证。构建具有时变特性的超网络之后,需要对该网络进行进一步的分析。本文选取三个不同的聚类系数提取特征,而由于提取到的部分特征存在有噪声或冗余的特征,因此本文还采用KS非参数置换检验进行特征选择,选取显著性差异特征作为分类特征,并构建SVM分类模型进行分类。（3）针对所构建的时变特性超网络,完成图神经网络模型构建,从深度学习角度对所构建网络模型进行验证。为了验证本文提出的将高阶功能连接网络特性与超网络特性相融合方法的有效性,将具有时变特性超网络的构建与图神经网络进行结合。首先在构建低阶功能连接网络时与图注意力网络模型相结合,使网络能够将更多注意力放在重要节点上。其次,在得到的低阶功能连接网络的基础上,采用LASSO方法构建超网络,并结合图卷积神经网络模型,通过GNN得到聚类相似节点的目的,提取出优化后的节点特征并进行分类验证。对本文所提出的具有时变特性超网络使用基于SVM的分类模型进行分类,结果表明,该方法的分类准确率显著高于之前所提出的方法,能有效提高抑郁症的分类表现。此外,图神经网络已经成功地应用于疾病预测任务中,且研究表明,图神经网络在处理大脑网络方面优于传统的机器学习方法。因此,为了进一步验证该方法将两种脑网络构建方法相融合的有效性,本文将具有时变特性超网络与图神经网络相结合。构建基于图神经网络的时变特性超网络并对其进行分类,结果表明,本文所提出的具有时变特性超网络的构建方法在结合图神经网络后,仍然具有更高的准确率,可以更好地对抑郁症进行分类。因此,本研究所提出的具有时变特性的超网络构建方法在基于机器学习与基于深度学习上的分类都提高了抑郁症的分类准确率,对于提高抑郁症的诊断准确率具有一定的科研价值和临床意义。