大脑是一个复杂且精密的器官,尽管人类对大脑的结构以及功能有了一定的认知,但鉴于大脑以及与其相关联器官运作的复杂程度,人类对大脑的探索还在继续。有研究表明,脑疾病的出现与大脑某些区域无法正常工作有关。近年来,核磁共振技术的发展为脑疾病的预防与诊断提供了技术支撑,图论的引入使得脑网络成为了研究的热点。研究者们将脑网络与人工智能领域中应用较广泛的计算机技术如:机器学习、深度学习等结合起来,对脑网络进行频繁子图挖掘、特征提取与选择、分类等工作,进而获得与疾病有关的生物学标志。传统的脑网络研究主要集中在确定图上,该方法忽略了脑网络间的不确定性信息,而且在构建确定图时需要考虑稀疏度选择的问题,但是目前稀疏度的选择并没有黄金标准。因此,有研究者将不确定图应用到大脑的建模中,构建不确定脑网络,它能够很好地体现脑区间的不确定性信息。通过对比已有的不确定脑网络和确定脑网络的研究发现,从分类准确率的角度无法说明使用哪一种模型对大脑建模是有效的。而且,目前对脑网络模型的选择并没有黄金标准。另外,在传统的不确定脑网络研究中,均值、方差、极差等统计指标被用于特征提取。但是,均值存在分类准确率低、泛化性能差的问题;方差反映的是子图模式间的平均差异,其结果是对样本值取平方,无法直接反映子图间的个体差异;极差由计算公式可知它反映的是子图间的最大差异,受最大值最小值影响较大,无法直接衡量子图间的差异。因此,为了解决上述的两个问题,本文的主要工作为:（1）提出了基于独立成分分析的不确定脑网络构建方法考虑到脑网络所具有的不确定性特征,本文将不确定图应用到脑网络建模中。同时,不确定图对应的节点由组独立成分分析方法来确定。该方法采用盲源信号分离方法,加入了组元素,将其应用在群体水平上,其获得的结果具备统计学意义。与传统方法中使用脑图谱对脑部进行划分的方法相比,该方法无先验模板的要求,避免了因为采用不同模板而对实验结果产生的影响,能够更好地反映不同成分间所蕴涵的空间关系。（2）提出了基于判别性子图的不确定脑网络与确定脑网络的对比方法考虑到脑网络的不确定性特征,传统方法中使用的确定图对大脑进行建模忽略了大脑的不确定性特征。但是通过对已有实验中不确定脑网络与确定脑网络的分类结果进行对比,从最终的准确率方面无法说明两种模型的优劣。且目前没有相应的研究表明使用哪一种模型进行脑网络建模的效果更好,这对于以后的研究中两种模型的使用情况没有一个有效的参考。因此,以判别性子图为特征,本文提出了不确定图子图模式稀疏度化和确定图子图模式权值化的双向对比方法,对不确定脑网络模型和确定脑网络模型进行脑疾病的分类性能对比,从分类准确率的角度判断选用哪一种模型对大脑进行建模是合适的且能够有效地对脑疾病进行预测。（3）提出基于相对极差的特征提取方法通过分析已有统计指标均值、方差、极差中存在的问题,本文提出了相对极差作为新的统计指标进行特征提取,它是均值和极差的结合,既考虑到子图模式间的最大差异,又考虑到子图模式间的组间差异,可以有效克服原有方法中统计指标所存在的受最大最小值影响较大以及子图差异无法直接衡量的问题,并结合相应的判别分数函数进行特征选择,最终构建特征矩阵进行分类。结果表明:稀疏度在（0.05-0.25）范围内,不确定脑网络的分类性能优于确定脑网络,而稀疏度在（0.25-0.40）范围内,确定脑网络分类性能优于不确定脑网络。本结论为以后脑疾病诊断中脑网络的模型选择提供了参考。另外,本文提出的相对极差作为新的特征提取方法,其分类性能显著高于已有统计指标均值、方差、极差。且该指标在不同的特征选择方法下表现出较好的分类性能,具有很强的泛化性。本文重点研究了不确定脑网络模型和确定脑网络模型的对比方法,并提出了新的特征提取方法,旨在找到最适合脑网络建模的模型以及最具有判别力的特征,为脑疾病的预防和诊断提供方法。