1.面向功能性脑网络的多阈值下基于多任务的特征选择方法，其特征在于，包括如下步骤：步骤一、对fMRI数据进行预处理，构建功能性脑网络；

步骤二、采用R个阈值同时对构建的功能性脑网络进行阈值化处理；

步骤三、对每个阈值化网络提取脑区的聚类系数作为特征用于测量网络的局部拓扑结构；

步骤四、对每个阈值化网络利用图核计算网络间整体拓扑结构的相似性；

步骤五、基于步骤三和步骤四，建立面向脑网络的多阈值下gk-MTFS特征选择方法的目标函数；

步骤六、利用加速近似梯度算法对提出的目标函数进行优化。

2.如权利要求1所述的面向功能性脑网络的多阈值下基于多任务的特征选择方法，其特征在于：所述步骤一中，将大脑空间划分为116个脑区，获取脑区的时间序列，使用Pearson相关系数构建功能性脑网络，所构建的脑网络是加权的全连接网络。

3.如权利要求2所述的面向功能性脑网络的多阈值下基于多任务的特征选择方法，其特征在于：所述步骤二中，对步骤一中所构建的带有权重的全连接网络，同时利用R个给定阈值将权重网络转化为多个二值化的网络，用于刻画多层次的拓扑结构。

4.如权利要求1所述的面向功能性脑网络的多阈值下基于多任务的特征选择方法，其特征在于：所述步骤三中，对于步骤二中每个阈值化的脑网络，提取每个脑区的局部聚类系数作为特征，来自所有脑区的特征在一起构成一个特征向量，用于刻画脑网络的局部拓扑结构。

5.如权利要求1所述的面向功能性脑网络的多阈值下基于多任务的特征选择方法，其特征在于：所述步骤四中，使用图核来直接定义两个网络数据的结构上的整体相似性，即对于第r个阈值下两个脑网络 和 其相似性的定义为：其中， 表示第r个阈值下两个脑网络 和 的相似性， 是定义的图核，使用Weisfeiler-Lehman子树的方法来构建相应的图核。

6.如权利要求5所述的面向功能性脑网络的多阈值下基于多任务的特征选择方法，其特征在于：所述步骤五中，令 Xr表示在步骤三中从N个样本R个阈值下提取的特征矩阵， 表示从第i个样本第r个阈值下提取的特征向量，d是每种特征维数；

令Y＝[y1，y2…，yN]∈RN，Y表示N个样本对应的响应向量，yi，i＝1，2，...N表示样本的类标签，对两类分类问题，yi∈{+1，-1}；

基于此，提出面向脑网络的多阈值下gk-MTFS特征选择方法的目标函数如下：其中，W＝[w1，w2，…，wR]∈Rd*N是一个权重矩阵，wr表示第r个阈值下的权重，Mr＝Cr-Sr是Laplacian矩阵，Sr表示定义在第r个阈值下的相似矩阵，Cr是对角矩阵，且 表示第i个对角上的元素；

该目标函数包含三项，第一项是损失函数项，采用平方损失函数，第二项是组稀疏化正则化项，用于从不同任务中选择公共的特征，第三项是Laplacian正则化项，用于保留网络的结构化信息和网络数据的分布信息，λ和β是用来平衡三项之间的相对贡献的大于0的常数。