大脑作为人类各项机能的处理核心,拥有最复杂的生理构造。将功能脑网络方法与机器学习结合已经成为神经影像领域非常有效的研究方法。在磁共振影像的脑网络分类研究中,由于存储技术与计算能力的飞速发展,脑网络规模以及所计算出的特征维度都非常的大,往往在进行分类过程中对分类器造成了很大的压力,并且很容易造成过拟合的问题。因此在进行分类前,特征选择至关重要。在以往的特征选择研究中,往往忽略特征样本之间的高阶关系,即多个样本之间的高阶结构信息。有研究提出利用超图的方法对被试间的高阶结构信息进行建模,但是这种方法在构建过程中忽略了超图的生成方法对信息表征所造成的影响。其使用的K邻近算法生成的超图缺乏全局信息与组效应,使得特征选择的有效性降低,最终导致分类准确率降低。为了解决这个问题,本文提出利用套索算法（Least absolute shrinkage and selection operator,Lasso）解决稀疏线性回归生成的超图构建超图的拉普拉斯正则化项。这解决了全局信息在特征选择过程中得不到有效表征的问题,但对于分组效应信息还是得不到很好的体现。因此进一步提出利用Elastic net方法与Group lasso方法生成超图,并建立超图的拉普拉斯正则化项。这进一步弥补了特征选择过程中对分组效应信息的解释。本文主要研究工作如下:1、提出利用多种方法解决稀疏线性回归问题以此生成超图,并在新颖的超图基础上构建超图的正则化项,进而得到稀疏超图特征学习模型。根据超图构建方法的不同可以将本文所提出的方法分为三种。此外,为了对本文所提出三种方法的进行初步验证,本文选择UCI数据库中八个数据集进行预实验,实验结果可以初步表明本文所提方法的有效性。这为后面精神疾病的研究奠定了基础,并且在经过后续试验后回顾过来再看预实验,可以发现本文所提方法具有一定的可扩展性。2、将所提三种方法应用在抑郁症静息态磁共振自采集数据集中,实现特征选择及分类模型构建。在三种分类器上进行分类,最终在RBF核的支持向量机中有最好的分类效果。与传统方法相比,本文所提出的稀疏超图特征学习方法够选出更具判别性的特征,实现更高的分类准确率。此外,验证所采用模板对实验的影响,将五个不同的节点定义模板应用在抑郁症自采集数据集中,结果又均比其他三种方法有更高的分类精度。这些结果均表明所提出的方法对被试间潜在的高阶信息进行了深度挖掘,这些信息包括全局信息与分组效应信息。对所选出的差异性特征进行Relief权重评估,新提出的方法较传统方法均有提高。3、将所提出的三种方法应用在艾森克人格弥散张量自采集数据集中,实现特征选择及分类模型构建。在三种分类器下进行实验结果显示,本文所提出的方法相对于传统的方法均有更高的分类准确率,说明本文方法所选出的特征有更高的判别性。通过不同方法解决稀疏线性回归问题所构建出的超图相对于传统的基于欧氏距离的K邻近算法有更大的优势。在新提出的三个方法下,基于Elastic net与Group lasso方法构建的稀疏超图学习方法在多数情况下相对于基于Lasso有更高的分类准确率,这说明基于Elastic net所生成的超图包含了比基于Lasso生成的超图包含了更多潜在信息,例如分组效应信息。结果也说明本文所提方法在弥散张量成像的艾森克人格分类研究中的有效性。本文提出的三种脑功能超网络构建方法,可以有效解决针对Lasso以及以Lasso为基础的各种稀疏表示模型的有偏估计的问题,更好地表达了人脑结构中复杂的层次关系。实验结果表明,基于预定义分组的无偏稀疏模型脑功能超网络构建方法,具有较好的分类表现和分类权重。