自闭症（Autism Spectrum Disorder,ASD）是一种复杂的神经系统发育障碍疾病,其临床诊断具有主观性。结构磁共振成像和功能磁共振成像从两个不同模态提供了关于大脑的结构和功能信息,能够为ASD的识别提供客观的生物标记。相比于基于单模态影像数据的识别方法,通过多模态数据融合可以提高ASD客观辅助诊断的准确性。为了利用两个模态的共享特征和模态特定特征,本文首先提出了基于特征表示学习的多模态融合方法进行ASD识别。之后,针对ASD多模态数据的小样本问题,提出了多尺度生成对抗网络的方法进行ASD多模态融合。最后,为了在学习多模态融合信息的同时降低计算复杂度,提出了基于低秩张量学习的ASD多模态融合方法。主要工作如下:（1）本文提出了耦合特征表示和潜在特征表示相结合的多模态融合方法进行ASD识别。为了缓解模态间特征维数差异大的问题以及挖掘结构数据更有识别力的特征,引入了耦合特征表示学习结构成像数据特征的耦合关系。已有的潜在特征表示方法仅考虑了多模态数据的共享特征或者特定特征,本文引入一组潜在空间联合学习多模态数据的共享特征和每个模态的特定特征。提出的方法获得了70.03%的ASD识别准确率,优于已有的ASD多模态融合方法。（2）针对ASD多模态数据小样本的特点,同时从学习数据特征分布信息的角度进行考虑,本文提出了基于多尺度生成对抗网络的多模态融合方法以更准确地进行ASD识别。为了充分利用两个模态的数据样本,本方法在传统生成对抗网络中引入了多尺度的概念,从多个尺度对样本进行划分,利用生成对抗网络捕获不同尺度下数据特征的分布信息。实验结果表明提出的方法比已有方法取得了更好的性能,ASD识别准确率为74.36%。（3）基于张量融合的方法通过计算多模态张量的笛卡儿积可以显式地捕获多模态数据的融合信息,并且有较好的稳定性,但是计算复杂度高。本文提出了一种复杂度较低的基于低秩张量学习的多模态融合方法进行ASD识别。在对结构特征进行特征耦合时,特征扩展及权重分配改进为线性计算;在低秩张量多模态融合过程中,多模态张量表示采用求和的方式进行组合。提出的方法获得了76.06%的识别准确率,优于已有的多模态融合方法。本文提出的ASD多模态融合方法可以提高ASD的识别准确率,发现客观的生物标记,有助于提高ASD的客观辅助诊断,加深对疾病病理机制的认识。