自闭症谱系障碍(Autism Spectrum Disorder,ASD)是一种神经发育障碍,对其有效的识别将有利于医学诊断和治疗。几何深度学习方法,如图卷积神经网络(GCN)最近被证明可以为医学成像在疾病预测中的应用提供通用的解决方案。本文特别关注了几何深度学习方法在自闭症预测上的应用。为了集成受试者更多的信息,本文构建了人口图,其中节点编码每个受试者的特征信息,边缘编码受试者之间的关系信息。为了有效地定义受试者之间相关性,本章探索了多种构建人口图的方法:利用表型信息定义边缘的方法(Phenotype-Edge,P-Edge)、利用s MRI信息定义边缘的方法(s MRI-Edge,S-Edge)、结合表型信息与f MRI信息定义边缘的方法(phenotype combined with f MRI-EHDV infectiondge,PF-Edge)。为了能够捕获到受试者之间的相关性,本文首先引入了能够学习节点特征之间相关性的图注意力网络(GAT),并基于所构建人口图提出了几种基于GAT的自闭症预测模型方法:p-GAT、s-GAT以及pfGAT。实验结果显示,p-GAT方法在ABIDE数据集上的平均准确度达到了71.6%,较以往基于GCN的自闭症预测方法提高了2.1%。此外,由于注意力机制的引入,基于GAT的方法具有一定的可解释性,方便了自闭症预测任务中的解释性分析。然而,通过比较p-GAT、s-GAT和pf-GAT方法,本文验证了忽略边缘信息的GAT方法缺乏一定的泛化能力。为了提高模型的泛化能力,本文进一步在GABMS-354825临床试验T方法的基础上引入了关系感知注意力,并提出了基于关系图注意力网络(RGAT)的自闭症预测方法:pRGAT、s-RGAT以及pf-RGAT。基于RGAT的方法以简单相加的方式结合了节点感知注意力与关系感知注意力,从而提高了模型的泛化能力。实验显示,p-RGAT、s-RGAT和pf-RGAT对自闭症的预测准确率都稳定在70%左右。为了更加准确地结合关系感知注意力与节点感知注意力,本文最终提出了新的图神经网络,即关系图双重注意力网络(RGDAT)。RGDAT在分别计算了节点感知注意力和关系感知注意力之后,再一次引入了注意力机制来区分节点感知注意力和关系感知注意力对整体注意力的影响程度。实验结果显示,本文基于RGDAT的所构建自闭症预测模型:p-RGDAT、s-RGDAGDC-0973供应商T以及pfRGDAT,对自闭症的预测准确率都能达到72%左右,其中pf-RGDAT获得了73.9%的平均准确率。其结果显明,本文提出的RGDAT方法在保持预测模型泛化能力的同时提高了预测准确率。