精神分裂症是一种由脑区异常,基因变异和环境因素引起的致残性精神类疾病。目前对于精神分裂症影像遗传数据的研究大多数是基于数据挖掘、机器学习和深度学习等方法,这些研究为精神分裂症的诊断与治疗提供了极大地帮助。但由于影像遗传数据高维度的特性,如何从大量遗传基因与大量脑影像中提取与精神分裂症相关的特征仍然具有巨大挑战。因此,寻求对高维度影像遗传数据的关联分析方法非常重要。本文的研究工作如下:首先,为了从精神分裂症的影像遗传数据中选择与精神分裂症致病机理相关的特征,提出一种堆栈式稀疏自编码器方法来进行非线性降维,达到特征选择的目的。具体来说,本文利用多个自编码器作为组件进行堆叠而形成堆栈式自编码器,然后再加入稀疏约束项,形成堆栈式稀疏自编码器。在公开的精神分裂症数据集上进行分类实验,证实了堆栈式稀疏自编码器在特征选择上的有效性,取得了很好的分类效果。其次,为了充分利用单核苷酸多态性数据与功能磁共振成像数据的内在联系,提出一种稀疏内核典型关联分析方法对单核苷酸多态性数据与功能磁共振成像数据之间的非线性关联性进行探索。具体而言,本文从典型关联分析方法着手,然后考虑到影像遗传数据内部的复杂性,将内核函数引入到典型关联分析中,形成内核典型关联分析方法,探索影像遗传数据间的非线性关联性。然后为了防止过拟合问题,在内核典型关联分析中加入₁L正则项,实现稀疏性表示,形成稀疏内核典型关联分析。实验结果表明,稀疏内核典型关联分析方法选取了大量与精神分裂症相关的基因位点和脑体素,进而能够对受试者是否患病进行有效的分类。最后,出于对堆栈式稀疏自编码器和稀疏内核典型关联分析缺点的改进,还提出深度典型关联稀疏自编码器方法,选取重要的特征来提高分类性能。具体来讲,本文先使用深度典型关联分析方法来克服稀疏内核典型关联分析依赖于内核函数的局限性。另一方面,考虑到影像遗传数据高维度小样本的特点,将深度典型关联分析中的深度神经网络替换为堆栈式稀疏自编码器网络,形成深度典型关联稀疏自编码器模型,在保持深度典型关联分析方法优势的同时实现了对单核苷酸多态性数据与功能磁共振成像数据的非线性降维。在对精神分裂症患者和健康对照者的分类实验中,深度典型关联稀疏自编码器模型取得了比其他主流方法更好的效果。