摘要：神经影像数据通常包括多种模态，例如结构或功能磁共振成像、扩散张量成像和正电子发射断层扫描，它们为观察和分析大脑提供了多种视角。为了利用不同模态的互补表示，需要进行多模态融合以挖掘模态间和模态内信息。随着丰富信息的利用，结合多模态数据来探索健康和疾病状态下大脑的结构和功能特征正变得越来越流行。在本文中，我们首先回顾了用于融合多模态脑成像数据的广泛先进机器学习方法，大致分为无监督和监督学习策略。随后，讨论了一些代表性应用，包括它们如何帮助理解大脑区域化，如何改善行为表型和大脑衰老的预测，以及如何加速脑疾病的生物标志物探索。最后，我们讨论了一些令人兴奋的新兴趋势和重要的未来方向。总的来说，我们旨在全面概述脑成像融合方法及其成功应用，以及多尺度和大数据带来的挑战，这对开发新模型和平台提出了迫切的需求。