人类大脑是自然界中最复杂的信息处理系统之一，探索脑功能的奥秘是脑科学领域的一个研究热点。近年来，功能磁共振成像(functional MagneticResonance Imaging，fMRI)技术凭借非侵入式、较高的时间和空间分辨率等优点，成为一种理解脑功能的有力工具。探索fMRI数据的分析方法，对于理解大脑的信息处理机制，分析神经和精神疾病的脑功能异常具有重要意义。　　在设计fMRI数据的分析方法时，结合大脑的神经元激活特点可以得到更符合fMRI数据分布的结果。神经科学研究表明，大脑的神经元激活具有稀疏响应的特点。因此，稀疏表示及字典学习方法成为医学影像数据分析的重要工具，在医学图像处理领域中得到了广泛的关注和应用。本文利用人脑神经元激活稀疏性的生理学发现，探索适用于fMRI数据分析的稀疏表示及字典学习方法，以便于帮助我们更好地理解大脑的信息处理机制，为神经和精神疾病的诊断与治疗提供理论基础。　　本文主要工作与创新点如下:　　1.提出一种结合稀疏低秩模型和基于图的特征的疾病分类方法，用于解决传统方法在构建功能脑网络过程中只考虑两两脑区的功能连接以及从功能脑网络中提取单一局部特征的问题。该方法采用稀疏低秩模型构建功能脑网络，在估计两个脑区的功能连接时考虑其他脑区的作用。同时，模型中的稀疏和低秩约束可以令构建的功能脑网络有更强的稀疏性和模块化结构，使其更符合功能脑网络固有的结构特点。此外，该方法结合多种基于图的特征，从多角度挖掘功能脑网络中的有效信息，有利于提升分类效果。在抑郁症fMRI数据集上的实验结果表明，该方法的分类效果优于对比方法。　　2.提出一种多任务融合最小绝对值收缩和选择算子(Least Absolute Shrinkageand Selection Operation，Lasso)模型的动态功能脑网络构建方法，用于解决静态功能脑网络的构建模型忽略功能连接随时间变化的动态信息的问题。该方法采用多任务融合Lasso模型构建动态功能脑网络，保留功能脑网络的稀疏性与子序列功能连接的时间平滑性，有利于刻画脑区之间功能连接的稀疏性与相邻fMRI子序列之间的相似性特点。在ADNI的公开fMRI数据集上的分类效果验证了多任务融合Lasso模型构建动态功能脑网络的有效性。　　3.提出一种基于加权判别式字典学习的疾病分类方法，用于解决传统的字典学习方法忽略了样本与字典之间重要关系信息的问题。该方法通过引入自适应的加权机制，利用样本与字典之间的相似性对不同样本的表示残差进行差异性惩罚，从而提高字典的判别性。此外，该方法用l2-范数正则化约束表示系数，以尽量避免小样本引起的过拟合现象。在抑郁症fMRI数据集和ADHD-200的公开fMRI数据集上的实验结果表明，与对比方法相比，该方法有更快的算法速度和更好的分类效果。