功能磁共振成像(fMRI)是当前研究脑的结构、功能及它们与病理之间关系的主要技术手段，已经被广泛的应用于脑实验和医学临床研究。如何从这种高维、高噪声和结构复杂的脑磁共振图像数据中提取出有意义的脑区模式信息，对脑科学的研究具有重要意义。近年来，数据挖掘领域中的模式分类方法已广泛地应用于脑fMRI数据的研究分析中，而脑功能连接数据是分析脑fMRI数据的一种重要形式。为此，本文提出了两种分类方法对三组脑功能连接数据(分别来自精神分裂症患者、其健康同胞和正常人)进行分类分析。主要工作总结如下：本文提出了一种NCFBC分类方法对脑功能连接数据进行模式分类分析。该方法采用基于信息熵的离散化方法对脑功能连接数据的连续属性值进行离散化预处理，筛选出信息含量大的分类特征功能连接模式；然后以这些模式作为支持向量机的输入对三组静息脑功能连接数据进行模式分类分析。通过对多分类问题的研究分析，我们侧面地从模式分类的角度揭示了精神分裂症的遗传特性；同时，将该方法和其它方法从敏感度、特异性和分类准确度方面进行比较，结果证明本文提出的方法比较有优势。增强跳跃显露模式(SJEP)是针对跳跃显露模式(JEP)在分类过程中有些模式的支持度过低导致分类准确度不高而提出的一种模式，具有很强的模式分类能力。为此，本文提出了一种基于增强跳跃显露模式(SJEP)的分类方法(C_SJEP)，该方法使用边界算法来挖掘SJEP模式，采用集合似然预测(PCL)方法对测试样本的类别属性进行预测。实验结果表明：和其它分类方法相比，本文提出的方法在准确度方面有了一定提高。通过对脑功能连接数据的模式分类研究，我们对如何利用这类数据进行人类大脑的生理和病理分析有了更深刻的理解，为脑部精神疾病的检测和诊断提供了有效的途径；同时也对多类问题的分析有了较深的认识，这对推动模式分类方法在脑科学和临床医学领域的研究具有重要的研究价值和实际意义。