目前,精神疾病的精准诊断是脑科学中最主要的研究课题。由于精神疾病（比如精神分裂症、分裂症情感障碍和双相情感障碍等）有许多重叠的临床症状,因此基于症状的主观诊断很容易导致精神疾病被误诊为其它相似的疾病从而影响疾病的治疗。利用脑影像（如脑核磁共振成像）探索精神疾病的机制和客观指标,利用数据挖掘的手段用客观影像学测度来定义精神疾病的类别是推动精神疾病精准诊断的必经之路。本论文针对这两个方面展开研究,分别采用有监督和无监督的机器学习方法对精神疾病的脑核磁共振影像数据进行分析,发现了几种临床症状相似的精神疾病的共性和特异性,且对相关疾病潜在生物型的研究提供影像学的见解。由于传统诊断的不准确性,很多研究基于脑核磁共振数据从影像学方面挖掘精神疾病的客观指标。精神分裂症、分裂症情感障碍和双相情感障碍这三种疾病具有极为相似的临床症状,很难被正确地区分。本论文利用动态脑功能连接指标,采用分类的方法对它们进行区分,以发掘它们在脑功能连接中的共同和特异之处。在本研究中,首先,使用滑动窗口技术对623例大样本的功能磁共振成像数据计算全脑动态脑功能连接;然后通过使用独立成分分析方法提取每个被试的连接状态;接着使用十倍交叉验证框架利用支持向量机分类器对四组被试和任意两组被试进行分类,进而总结疾病间共同存在和疾病特有的功能连接差异。结果发现:在分类性能方面,四分类和二分类分别达到69%和80%以上的平均分类准确率。我们发现在三类疾病中,连接差异主要集中在丘脑和小脑间以及中央后回和丘脑间。研究表明:基于有监督的分类方法对精神疾病的动态脑功能连接进行分析,可以为精神疾病的脑影像学诊断提供生物学证据。由于精神疾病的标签可能是不准确的,如何利用无监督的机器学习方法基于脑影像得到可靠的疾病类别是脑科学中的一大难题。精神分裂症和自闭症谱系障碍在临床指标有很大的相关性。本研究采用功能磁共振成像估计稳态脑功能连接,提出基于图核的无监督聚类方法,以探索这两种疾病的基于影像学的潜在生物型。首先,我们计算每个被试全脑的稳态脑功能连接;然后使用基于图的子结构挖掘算法去挖掘频繁子图;最后计算图核相似度并进行聚类以得到精神疾病的潜在生物型。我们发现的生物型间有显著差异的功能连接。该研究表明:基于图核的无监督聚类方法有助于我们发现精神疾病的潜在的生物型,并为精神疾病的诊断提供新的参考。