脑疾病的致病机理复杂,使得临床上对脑疾病患者的诊断工作变得十分困难。近些年来,随着电生理信号采集、医学影像等技术的日渐成熟,基于数据驱动的脑疾病预测与诊断,已成为新的研究热点。通过对脑电、脑影像数据中内隐特征差异的发掘,也有利于实现对脑疾病发病机制的探究。但现有的大多数研究在表征数据的特征时通常采用单一模式、全局属性等低维特征,在表征与脑疾病相关的复杂脑网络时,它们所包含的信息往往缺乏有效的辨别能力。为此,我们尝试通过刻画脑网络的空间模式,以及融合多维网络的空间特征的方式,以期实现对与脑疾病相关群体的高精度识别。为探究这种方法的泛用性,我们在本文中选取了癫痫、精神分裂症和老化人群三个具有代表性的脑疾病相关群体,在相应数据集上开展本文的工作。针对临床上无结构异常难治性癫痫患者极易同药物可控型癫痫患者产生误诊的问题,我们首先尝试基于静息态头皮脑电信号,实现对两类患者的识别。通过网络在组水平上的比较,我们证明了左侧颞叶等脑区的beta频段大脑活动在表征两类患者差异时的重要性。在其基础之上,我们基于网络的空间模式特征,探究多维网络空间特征的融合对识别癫痫脑网络的影响。结果表明,在功能网络与效应网络融合的空间特征下,对两类患者的识别准确率提升到96.67%,对比单网络特征下的90.00%准确率,这种融合的网络特征具有明显优势。为探究该结论的泛用性,在老化研究和精神分裂症研究磁共振影像数据集上,基于功能和结构两种不同网络,探究多维网络空间特征的融合对识别效果的影响。通过引入扩散映射嵌入的方法,我们发现不同的空间特征融合方式对识别效果的影响也存在差异。结果表明,基于有效融合的空间特征,可使老化数据集的识别准确率从90.00%提升到91.15%,而在精神分裂症数据集中,识别准确率则由77.50%提升到87.50%。综上,本文基于脑网络分析以及不同的网络特征分析方法,分别在癫痫脑电,以及老化研究和精神分裂症磁共振影像数据集上,探究了多维网络空间特征融合方式对脑疾病识别效果的影响。本文的结果说明网络空间特征融合对脑疾病相关的复杂网络有着良好的表征效果,并具有很强的泛用性。它不仅有利于实现对脑疾病的高精度识别,还可为探究脑疾病的病理机制提供新的视角。