近年来，大量研究表明，脑网络在结构和功能上具有一定的拓扑结构和组织特征，并能够提供稳定的生物标记，这为人们理解大脑机制提供了新的视角。因此，针对脑网络的研究吸引了大量学者的研究兴趣。　　目前功能性脑网络（functional brain network，FBN）已经成为探索大脑工作机制和挖掘信息生物标记以协助诊断某些神经性疾病的重要手段(如帕金森症(Parkinsons disease，PD)、自闭症(autism spectrum disease，ASD)以及阿尔兹海默症(Alzheimers disease，AD))。尽管目前脑网络的研究工作已经取得大量进展，但脑网络模型仍然存在可扩展性低、可解释性差及无法有效利用先验信息等缺点。　　为解决现有脑网络模型存在的问题，本文基于正则化框架，对现有脑网络模型进行改进。通过正则化框架中的数据拟合项和正则项分别对脑网络的统计特性以及生理先验进行建模，尝试从新的角度提出一个稳定、系统的脑网络建模框架。在此框架基础上，本文的主要工作和创新之处如下:　　(1)将传统基于Pearson相关的脑网络建模方法重新构造成一个新的优化模型，并将其引入到正则化框架中，从而极大的扩展了Pearson方法的模型空间。并且利用脑网络的稀疏性和无标度性作为先验知识，将其转化为对应的正则项，以此作为一个简单尝试引入到模型中，从而得到了具有稀疏性和无标度性的脑网络。　　(2)将数据中的噪声假设进行建模并转化为脑网络模型中的正则项。通过这种方式提出了一种与脑网络相关的核磁数据清洗方法。这种新的模型能够在构建脑网络的同时，有效的剔除潜在的数据噪声点。通过实验发现，去除的噪声点与一些特殊的静息状态显著相关。　　(3)将模型扩展到张量空间，通过张量正则化的形式，引入脑网络的组约束信息。利用张量的低秩正则化作为简单尝试，来逼近组内脑网络的相似性先验信息。并通过PARAFAC分解求解张量的低秩正则化，得到具有组约束的脑网络。　　为进一步验证本文所构建的脑网络模型，将其用于神经性疾病的预测和诊断，同时为了避免特征提取和分类器给分类诊断结果带来的混淆效应，本文全部采用最简单的特征提取以及分类器训练分类模型。实验结果发现，通过正则化框架，能够有效的引入先验信息，对构建的脑网络进行约束。这种先验信息的引入，能够提高脑网络对神经性疾病的辨识性。本文模型构建的脑网络模型在精度、灵敏性和特异性几个指标中均较传统方法有很大的提升。