阿尔茨海默病(Alzheimer disease,AD)是一种神经退行性疾病,其病因尚未明确,是一种世界性难题,复杂网络与图论方法的结合使得从全脑分析成为可能。由于大脑的复杂性,对大脑的量化和测量仍然是初步的。针对AD异常脑网络及脑区的检测这一关键问题,本文从AD患者和健康对照者的动态功能脑网络出发,研究脑网络的动态变化,主要工作如下:第一,提出了一种基于局部效率的异常脑网络检测算法。首先利用组信息引导的空间独立成分分析(Group Information Guided ICA,GIG-ICA)算法识别空间独立成分,确定脑网络;其次,利用滑动窗口技术以及k-means算法分析动态脑网络的聚类状态;最后,通过每一个状态下动态脑网络的局部效率的异常,找到发生异常的功能脑网络。研究结果表明,对于AD组与健康对照组,利用GIG-ICA算法分别得到33个独立成分以及30个独立成分,最终确立12个具有生理意义的功能脑网络,包括感觉运动网络、后突显网络、默认模式网络、右执行控制网络、基底节网络、高视觉网络、视觉空间网络等,通过k-means聚类算法得到六种聚类状态,两组数据聚类状态发生明显改变,通过双样本t检验,局部效率发生异常的脑网络有感觉运动网络、突显网络、执行控制网络、默认模式网络,这些网络与人的情绪调节与认知功能有关,与AD患者出现的一些症状有关,其中,默认模式网络发挥了重要的作用。第二,提出了一种基于非线性相关的Spearman异常脑区检测算法。首先对所有被试者的数据,利用Spearman和滑动窗口方法构建动态功能脑网络;其次,计算AD患者与健康对照者动态功能脑网络的拓扑属性;最后,通过拓扑属性的差异找到发生异常的脑区,为AD的临床诊断提供新的认识。研究结果显示,对于不同的稀疏阈值,AD患者组与健康对照组动态功能脑网络都具有小世界属性,即?(29)1,但是AD患者组的小世界属性发生明显改变。AD患者组的最短路径长度(L)高于健康对照组,聚类系数(C_p)低于健康对照组,说明AD患者脑区之间的信息交流速度比正常人低,造成了AD患者认知方面发生改变。本文通过拓扑属性节点介数来评估两组fMRI数据的动态功能脑网络,通过双样本t检验,最终确立了发生异常的脑区,中央前回(PreCG)、眶部额上回(SFGmorb)、中央沟盖(ROL)、脑岛(INS)、海马(HIP)、海马旁回(PHIP)、枕上回(SOG)、梭状回(FG)、后扣带回(PCC)和苍白球(PAL),这些脑区主要位于默认模式网络,与阿尔茨海默病患者记忆丧失、认知能力下降、生活不能自理等临床症状有关,验证了本文的结果,为AD的脑网络研究提供新的认识。