بیماری اسکیزوفرنی یک اختلال روانی است که به عنوان یکی از دلایل اصلی ناتوان کننده اشخاص معرفی می شود. علل اصلی ابتلا به این بیماری به طور کامل مشخص نبوده و درمان قطعی برای آن وجود ندارد. با تشخیص سریع این بیماری می توان از بسیاری از عواقب خطرناک آن از جمله خودکشی، جلوگیری کرد. تشخیص بیماری اسکیزوفرنی تنها از روی نشانه های آن، امری بسیار دشوار و حتی غیر ممکن می باشد. بنابراین، برای تشخیص این بیماری معمولا از داده های مغزی استفاده می شود. یکی از انواع تصاویر مغزی، تصویربرداری تشدید مغناطیسی عملکردی (fmri) می باشد. این داده ها به دلیل قابلیت مدل کردن عملکرد مغز، می تواند در تشخیص بیماری اسکیزوفرنی مفید واقع شوند. تشخیص اسکیزوفرنی با استفاده از این نوع تصاویر، بهتر و دقیق تر از روش های براساس تصویربرداری تشدید مغناطیسی (mri) و پتانسیل های وابسته به رویداد (erp) می باشد. در این پایان نامه یک چارچوب کلی برای دسته بندی تصاویر در دو گروه سالم و بیمار مبتلا اسکیزوفرنی ارائه شده است. در این چارچوب پس از پیش پردازش تصاویر fmri، با استفاده از روش های تحلیل بافت به نام الگوهای دودویی محلی، هر اسکن fmri به چندین هیستوگرام تبدیل می شود. در ادامه این هیستوگرام ها به عنوان بردار ویژگی مورد استفاده قرار می گیرند. سپس از روش آماری آزمون تی برای مشخص نمودن ویژگی های موثرتر جهت تفکیک داده ها در دو گروه افراد سالم و بیمار استفاده می شود. علاوه بر این، در این تحقیق مجموعه ای از دسته بندها جهت دست یافتن به دقت بالاتر، باهم ترکیب می شوند. تصاویر fmri معمولا در دو حالت استراحت و فعالیت واکنش به صدا تهیه می شوند. ویژگی حالت اول سادگی تهیه آن و ویژگی حالت دوم دشواری تهیه اما کارایی بیشتر در تشخیص بیماری ها می باشد. در این تحقیق نشان داده شده است که با استفاده از تصاویر fmri تهیه شده در حالت استراحت، می توان به دقت دسته بندی قابل مقایسه با داده های تهیه شده در طی انجام فعالیت دست یافت. در ادامه این تحقیق نشان می دهد که با بکارگیری ترکیبی از دسته بندها می توان با دقت 100% در تصاویر با کیفیت بالا و 73% در تصاویر با کیفیت نامناسب، دسته بندی را بین دو گروه سالم و بیمار انجام داد. سپس برای دست یافتن به دقت بالاتر در دسته بندی تصاویر با کیفیت نامناسب، از یک روش ارزیابی کیفیت برای انتخاب ویژگی استفاده شده است. این روش که تنها از دسته بند ماشین بردار پشتیبان (svm) بهره می گیرد، توانسته است که تصاویر با کیفیت بالا را با دقت 89% و تصاویر با کیفیت پایین را با دقت 81% دسته بندی نماید.