复杂的大脑功能是由全局多个大脑功能网络之间的交互作用来实现的,其中每一个大脑功能网络具有特定的大脑空间分布,并对应特定的时间活动特性。基于功能磁共振（functional magnetic resonance imaging,fMRI）数据对全局大脑功能网络的时间和空间模式进行识别分析有助于深入理解大脑的功能运作机制。为了识别大脑功能网络的时空模式,研究者们最初使用以相关性分析为代表的基础方法,后来研究者们又提出使用以稀疏表达为代表的矩阵分解方法。相较于上述传统方法,近年来深度学习方法获得了较为理想的结果,但仍然存在两个主要缺陷:一是已有方法在时间和空间模式的识别过程中没有充分利用fMRI数据的时空特征且仅注重于单个模式（时间或空间）的识别;二是已有的深度学习方法侧重于识别单个大脑功能网络而非全局大脑功能网络。为了解决第一个缺陷,本研究首先提出了时空注意力四维卷积神经网络（STA-4DCNN）。该模型使用空间注意力四维卷积神经网络和时间引导注意力网络来分别识别大脑功能网络的空间和时间模式,一方面使用引导注意力机制解决了注重识别单个模式的问题,另一方面使用四维卷积技术进一步保证了 fMRI数据时空特征的充分利用。在此基础之上为了解决第二个缺陷,本研究提出了多头引导注意力图神经网络（Multi-Head GAGNN）。该模型使用空间多头注意力图U网络和时间多头引导注意力网络来分别识别全局大脑功能网络的空间和时间模式,不仅使用引导注意力机制和注意力图卷积以充分利用fMRI数据的时空特征,还使用分支网络结构保证了全局大脑功能网络的识别。本研究使用了 Human Connectome Project（HCP）和 Autism Brain Imaging Data Exchange I（ABIDE I）两个公开数据集的任务态和静息态fMRI数据验证了上述两个模型。实验结果表明这两个新方法相比已有方法具有更强的大脑功能网络时空模式识别能力和泛化性。本研究将上述大脑功能网络时空模式识别方法进一步应用于孤独症功能网络特性分析以及个体认知行为指标的预测。首先STA-4DCNN基于ABIDE I数据集成功识别出孤独症患者相较正常发育个体发生改变的大脑功能网络时空模式。其次Multi-Head GAGNN模型基于HCP数据集成功预测了正常个体的认知行为指标。本研究提出的两个新模型为个体化大脑功能网络时空模式的识别提供了有效方法,也为其在脑疾病诊断和大脑-认知行为的关联分析应用提供了新的思路。