基于静息态功能磁共振成像（resting-state functional Magnetic Resonance Imaging,rs-f MRI）的功能连接网络（Functional Connectivity Network,FCN）能够为神经性疾病的诊断提供客观依据。尽管FCN已经被证明是一种有效的辅助诊断工具,但它依然面临很多挑战。例如,如何有效地表达大脑复杂的高阶功能连接（Functional Connectivity,FC）,以及如何将动态FC和复杂的高阶FC有效地结合以提高FCN的诊断性能。为了应对这些挑战,本文开展了如下三项工作:（1）提出一种多视图高阶功能连接网络构建方法。首先采用聚类方法把低阶动态FCN（Low-order Dynamic FCN,Lo-D-FCN）中的FC时间序列聚为若干个簇,然后使用中心矩方法把每个簇中的FC时间序列整合成中心矩特征序列,并计算中心矩特征序列的相关性用于估计高阶FCN。通过改变中心矩的阶数可以构建多视图高阶FCN,每个视图反应了一种类型的高阶FC交互模式。该方法具有以下优点:（1）该方法同时将FC的动态特性和交互模式的复杂性考虑在内;（2）使用Lo-D-FCN中的FC时间序列估计高阶FCN会产生规模庞大的高阶网络,通过聚类策略有效地减小了高阶网络的规模;（3）通过融合多个视图的高阶FCN能够有效地提升高阶FCN的性能,有利于全面地利用高阶FC信息进行疾病的辅助诊断。（2）提出一种基于动态网络中心矩特征的高阶功能连接网络构建方法。本文将Lo-D-FCN视为一个动态FC时间序列的集合,使用中心矩方法从Lo-D-FCN中提取多阶中心矩特征矩阵,通过计算特征矩阵中的行（或列）与行（或列）之间的相关性估计多个高阶FCN,该类型的高阶FCN反应的是动态FC在矩层面的相互作用。该方法的优点是:（1）基于中心矩特征表征大脑的高阶FC交互模式,有利于深度理解FC的动态特性;（2）由于Lo-D-FCN具有时间敏感性问题,而中心矩具有平移不变性,因此基于中心矩特征的高阶FCN有效地避免了时间敏感性问题,从而使不同受试者之间能够进行一致和有意义的比较。（3）提出一种基于聚类的维度约简动态功能连接网络构建方法。该方法的主要思想是通过聚类将动态FCN中具有相似特性的FC时间序列进行整合,以发现簇内FC时间序列内在的共同交互模式。然后,将每个簇中的FC时间序列的平均值作为新的网络节点。基于此策略,构建了一个小规模的动态FCN。该方法适用于Lo-D-FCN以及与其具有相似网络结构的动态FCN。该方法的优点是:（1）能够有效地整合动态FCN中相似地FC时间序列;（2）能够很大程度地缩小动态FCN的规模,从而减少了网络中冗余特征。本文将提出的三个FCN框架应用于自闭症谱系障碍的分类研究,取得了良好的分类结果,说明本文提出的三种FCN具有可行性。