大脑是人体最精细的结构之一,脑区域之间的功能连接或结构连接复杂多样。在精神类疾病中,有的患者体内存在器官性的病变,而有的患者本身的器官并没有病变,而是患者大脑中的各个区域之间的信号连接出现了问题。静息态功能磁共振成像是医学检查中普遍作为首选的检查技术之一,它可以反映出大脑在不同任务和不同时间中大脑各个区域的活动情况。研究人员使用脑连接数据构建脑网络并进行分析,提高对大脑中脑区域之间的功能或结构连接的认识能力,并且实现对脑连接数据的分类。随着机器学习技术在医疗领域的发展,基于医学影像的脑数据分析研究逐渐得到各大研究者的青睐,脑网络是这类研究中被关注比较多的研究方向之一。在脑网络的研究中主要使用医学影像传递的信息来构造大脑连接网络,在大脑连接网络中分析大脑的结构和功能连接,再通过建立分类模型对各类脑连接数据特征进行分类。但是利用现今技术进行的脑数据分类并未达到可直接应用于实际生活中的疾病诊断的准确度。本文在脑网络的基础上提出了一种可用于脑连接数据的分析与分类框架,提高脑连接数据特征的分类准确度,主要研究内容如下:第一,依据皮尔逊相关系数和血氧浓度依赖性（BOLD）信号的变化构建功能连通性网络和动态连接网络,进而构建具有时序特征的连通序列。利用血氧浓度依赖性（BOLD）信号计算每个感兴趣区域（Region of Interest,ROI）之间的皮尔逊相关系数,来确定每个ROI之间的相关性,用于构建功能连通性网络,在功能连通性网络的基础上利用BOLD信号变化的不一致性构建动态连接网络,用来反应BOLD信号在不同时间片段中的变化情况。对所有动态连接网络依据BOLD信号变化进行连接,形成全连接网络,并设置每个ROI之间的距离阈值来减少网络的复杂度,形成具有时序特征的连通序列。第二,在时序连通序列中挖掘有序频繁序列和序列关联规则。首先挖掘出现次数较多的节点并设置阈值限制节点出现次数来选择最频繁节点,通过连接和筛选最频繁节点的前节点和后节点并设置频繁序列出现次数阈值产生最频繁序列,对最频繁序列进行离散程度分析来获得最具判别力的有序频繁序列。其次在时序连通序列中应用频繁序列挖掘算法中的Apriori算法,通过设置最小支持度阈值和最小置信度阈值计算时序连通序列中节点的关联规则。最后,为保证数据的一致性,将有序频繁序列特征和序列关联规则特征通过特征组合方法整合到一个矩阵中,在特征矩阵中使用PCA降维算法将维度降低到一个合理的维度,将降维后的特征输入五种分类器分别进行分类验证。第三,基于时序特征的脑数据特征分类方法研究。将通过降维得到的特征矩阵分别输入五种分类器进行准确度验证,通过比较分类准确度,选择适用于本框架的分类,并对不同分类器的结论进行验证,其中,SVM分类器的表现最好。将SVM分类结果与当前先进分类方法在精准度、特异度和敏感度上进行比较,证明本方法取得了比较好的结果。对部分受试者的部分脑区域和时序特征进行样例分析,挖掘BOLD信号的变化情况和频繁序列在脑部的分布情况,提取部分频繁节点来观察特征分布情况和分析异常连接。本研究提出了一种可应用于脑连接数据特征的分类与分析方法,主要通过在脑连接数据中构建脑网络进而挖掘具有时序特征的频繁序列和序列的关联规则,形成具有时序特征的特征矩阵,以特征矩阵作为输入,输入到分类器中选择适配于本方法的分类器。本研究创新性的将时序特征应用于脑连接数据特征的挖掘中,在支持向量机分类器中取得了较为良好的脑连接数据特征分类准确度,达到了97.8%。在准确度、特异度和敏感度方面,通过与其他分类框架的比较,分类效果均优于当前其他分类算法。本研究为脑网络的研究提供一种新的思路和方法,在医学和人工智能领域起到了拓宽研究方向的作用。