1.一种基于深度展开神经网络的孤独症谱系障碍识别系统，该系统包括基于深度展开神经网络的孤独症谱系障碍识别模型，其特征在于，该模型的构建过程包括：获取静息态功能性磁共振成像技术表征的脑血氧水平依赖性信号；

使用用于关系分析的可配置管道方法对静息态功能性磁共振成像技术表征的脑血氧水平依赖性信号进行预处理，根据AAL分区模板将脑血氧水平依赖性的三维图像信号转换为二维时间序列信号，并将每个二维时间序列信号归一化，再将所有归一化后的二维时间序列信号按9:1的比例分为训练集和测试集；

使用近端梯度下降法求解带有空间信息的脑功能网络优化问题的可微部分，对不可微部分定义一个近端算子将优化问题转换为迭代公式；

使用近端梯度下降法求解带有空间信息的脑功能网络优化问题的可微部分，表示为：

其中， 表示优化问题中的可微部分第k+1次迭代后的大脑不同分区的连接强度k

矩阵，W表示可微部分第k次迭代后的大脑不同分区的连接强度矩阵，α表示迭代步长，λ1表示空间信息先验的控制参数，X表示脑血氧水平依赖性的时间序列信号，D表示一个用于辅助计算的对角矩阵，S表示大脑不同分区之间连接拓扑的相似性；

对不可微部分定义一个近端算子将优化问题转换为迭代公式，表示为：

k+1

其中，prox(·)表示近端算子，W 表示优化问题中的不可微部分第k+1次迭代后的大脑不同分区的连接强度矩阵；

用深度展开算法将迭代公式中的近端算子替换为双层卷积层，则迭代公式重建为迭代网络，得到迭代网路模块，迭代次数为迭代网路模块的个数；

将卷积神经网络分类器融入原型学习，得到基于原型学习的卷积神经网络分类器；

将迭代网路模块和基于原型学习的卷积神经网络分类器组合，得到障碍识别模型，使用训练集训练模型并通过测试集测试模型性能，得到最优的障碍识别模型。

2.根据权利要求1所述的一种基于深度展开神经网络的孤独症谱系障碍识别系统，其特征在于，迭代网路模块，包括：迭代公式中未知表示的近端算子prox(·)用双层卷积层代替，两个卷积层之间通过ReLU激活函数连接，卷积层的都采用了3×3的大小卷积核，并设置了边缘填充以保持维度大小不变，第一个卷积层设置32个卷积核特征，步长α和控制参数λ1通过网络学习自适应改变其数值，整个网路模块通过网络训练来自主学习近端算子的表示方法，获得更符合类别标签的特征表示。

3.根据权利要求1所述的一种基于深度展开神经网络的孤独症谱系障碍识别系统，其特征在于，将卷积神经网络分类器融入原型学习，得到基于原型学习的卷积神经网络分类器，具体包括：在分类器中使用4层卷积提取特征，池化层用于下采样，卷积层使用的过滤器数量分别为：64、64、32、1；每个池化操作后使用RELU函数激活并正则化，卷积池化层后将图展开成一维输入到全连接层，全连接层一共四层，其中有两层隐藏层，他们的神经元个数分别为：10、

64、32、2；每一层后都有ReLU激活函数，为了避免过拟合，全连接层中有Dropout操作，全连接层后连接原型学习，给每个类别设置多个原型，利用原型训练网络参数，分类器的损失函数使用了基于距离的交叉熵损失函数，将输出与各个原型之间的最短欧氏距离作为分类依据，距离某一类原型越近，属于其类别的可能性越高，同时，整个网络使用ADAM作为优化器，学习率设置为0.0001，Dropout项随机丢弃的概率为0.5，权值衰减参数设置为0.0001。

4.根据权利要求3所述的一种基于深度展开神经网络的孤独症谱系障碍识别系统，其特征在于，给每个类别设置多个原型，利用原型训练网络参数，表示为：其中，preclass表示模型最终预测的类别，f(x；θ)表示分类器中特征提取网络的输出，x代表分类器中特征提取网络的输入，θ代表中分类器中特征提取网络网络参数，mij表示每个原型，C表示类别个数，K表示每个类别的原型个数。

5.根据权利要求3所述的一种基于深度展开神经网络的孤独症谱系障碍识别系统，其特征在于，基于距离的交叉熵损失函数，表示为：其中，loss(x,θ,m)表示基于距离的交叉熵损失函数，d()表示模型输出和原型的相似程度，γ表示概率分配难度的超参数，x代表分类器中特征提取网络的输入，θ代表中分类器中特征提取网络的网络参数，m表示类别的原型，mij表示第i类的第j个每个原型，C表示类别个数，K表示每个类别的原型个数，k表示类别序号，l表示原型序号，e表示自然常数，mkl表示第k类的第l个原型。

6.根据权利要求1所述的一种基于深度展开神经网络的孤独症谱系障碍识别系统，其特征在于，使用训练集训练模型并通过测试集测试模型性能，具体包括：设置batch大小为32，将训练集中的数据输入建立好的障碍识别模型并经过shuffle过程，数据每次迭代都输入一个batch的数据样本，数据经过8个迭代网络模块后输出大小为N×N的脑功能网络特征图，再经过四层卷积层提取成5×5的特征图，将5×5的特征图展开为

1×10的向量并经过三层全连接层获得最终结果，在获得结果的同时每个标签类别训练了两个原型，利用基于距离的交叉熵损失函数计算损失并反向传播更新全连接参数、卷积核参数、包括被设置为可自适应学习的步长参数α和控制参数λ1，最后经过50个epoch的训练，得到损失下降到最低点时的模型；将测试集中的数据输入损失下降到最低点时的模型，并获得AUC、ACC、SPE、SEN的测试指标下的最优的障碍识别模型。