多年来,人类一直致力于大脑的研究,其中,大脑结构网络以及挖掘脑网络的连接规律成为自然科学领域、脑科学领域以及神经影像学领域的研究热点。在神经影像学研究中,通过探索大脑区域间结构和功能的相互作用可以帮助更好的了解脑疾病的病理学。随着脑网络研究越来越受到科学家们的注重,构建功能连接网络并结合不同技术挖掘脑网络的连接规律和拓扑结构已经成为当下的研究热点。而静息态功能连接网络已成为构建人脑功能连接网络最受欢迎的技术之一。静息态功能连接网络能够自发的检测大脑神经网络的低频活动从而可以监测到与脑疾病相关的生物学标志。但传统的fMRI分析中假定功能连接的时间序列是相对静止的,计算不同大脑区域间的功能连接强度时仅仅测量的是静息态功能磁共振(RS-fMRI)数据的整个时间序列的相关性,这实际隐藏着一个假设是脑区之间存在稳定的相互作用模式。这种方法的存在一个问题是,忽视了整个扫描过程中可能发生的神经活动,而有可能正是扫描时间内的微妙的神经活动引起了某种病的发生。基于动态的高序功能连接网络通过时间窗来划分时间序列以此反映网络中包含的丰富的动态时间信息,已被广泛应用在脑疾病的分类研究中,但是高序功能连接网络的构建是使用了两次皮尔逊相关,这使得该方法容易忽视了一些时域信息和不能很好的测量复杂区域间的相互作用,其次高序功能连接网络由于规模较大,利用复杂网络或图理论计算的方法计算一些拓扑指标时消耗较大。基于此,本文采用了高序功能连接网络上构建最小生成树网络降低计算消耗,缩小高序功能连接网络的规模庞大不利于后续网络分析的问题。当前,基于传统的局部网络指标的方法广泛被用来分析和分类脑网络,但该方法存在一个明显不足是功能连接网络中包含的一些网络拓扑结构信息可能丢失(样本本身的拓扑信息或者样本间的公共拓扑信息)继而影响到属性的计算同时降低了分类器的性能,而采用子图模式作为特征正好弥补了这一缺陷。但值得注意的是,无论是基于传统的可量化网络特征的方法还是使用基于子图模式的方法都会有样本息的丢失,因此,本文从局部网络属性和通过频繁子图挖掘技术捕获的判别性的子图模式这种不同类型的特征角度出发来验证本研究所提出的高序最小生成树网络的性能。