静息态功能磁共振成像（resting-state functional magnetic resonance imaging,rsfMRI）能够反映人脑的自发神经活动,而熵作为一种复杂性度量,可用于分析人脑这一非线性系统的复杂度以解释神经元的活动状态。近年来,越来越多的研究开始使用熵分析rs-fMRI信号。这些研究使用了多种熵的近似度量方法,但少有研究能较为系统地分析不同熵方法应用于rs-fMRI信号的重测可靠性和有效性。本文使用七种熵方法（近似熵、样本熵、模糊熵、排列熵、Range熵、散布熵和微分熵）,基于rs-fMRI信号计算了脑熵,旨在探究多种熵的重测可靠性和有效性。同时,还利用七种熵进行了脑年龄预测和脑老化研究以进一步验证脑熵的有效性。具体方法与结果如下:第一,重测可靠性研究。利用The Midnight Scan Club数据集计算和分析了七种脑熵在不同的重复次数k时所对应的组内相关系数及其波动变化,其中微分熵随k变化（k=3,6,10）时波动最小、平均组内相关系数最高（0.49,0.5,0.5）。这个发现在三种大脑图谱上得到了验证。随后,仿真实验表明,微分熵和近似熵的熵值曲线最平稳。结论:微分熵具有优秀的重测可靠性。第二,有效性研究。通过验证不同脑熵在三种精神疾病（注意缺陷与多动障碍、双相情感障碍和精神分裂症）与健康对照的二分类任务中的分类性能,系统性地评估了七种熵方法的有效性,并通过支持向量机权重分析了影响分类的关键脑区。结论:分类结果表明,微分熵更适用于注意缺陷与多动障碍分类任务（准确率=0.8548）,样本熵更适用于双相情感障碍分类任务（准确率=0.8824）,Range熵更适用于精神分裂症分类任务（准确率=0.7841）。第三,脑年龄预测和脑老化研究。利用七种熵方法在全脑和网络水平先后在样本量为514的全年龄段健康人数据集（6-85岁）进行了脑年龄预测,其中微分熵的预测表现最佳,其确定系数为0.6175,相关系数为0.7870。网络水平的预测结果表明一些网络（如扣带回岛盖网络）可以更好地反映脑老化过程。使用微分熵分析脑老化的结果如下:（1）相关性分析的结果表明,网络水平上,扣带回岛盖网络上的脑熵变化最能反映脑老化过程。（2）单因素方差分析的结果展示了对脑老化可能起着最关键作用的脑区,如左侧中央视皮层、左中央后回等。结论:在七种熵方法中,微分熵更适用于分析脑老化,并可用于脑年龄预测任务。