La red de conectividad funcional (FCN) se ha convertido en una herramienta popular para identificar biomarcadores potenciales de disfunción cerebral, como el trastorno del espectro autista (TEA). Debido a su importancia, los investigadores han propuesto muchos métodos para estimar las FCNs a partir de datos de resonancia magnética funcional en estado de reposo (rs-fMRI). Sin embargo, los métodos existentes de estimación de FCN generalmente solo capturan una única relación entre las regiones de interés (ROIs) del cerebro, por ejemplo, correlación lineal, correlación no lineal o correlación de orden superior, lo que hace que no puedan modelar la compleja interacción entre las ROIs en el cerebro. Además, dichos métodos tradicionales estiman las FCNs de manera no supervisada, y el proceso de estimación es independiente de las tareas posteriores, lo que dificulta garantizar un rendimiento óptimo para la identificación del TEA. Para abordar estos problemas, en este artículo, proponemos un marco de fusión de multi-FCN para la clasificación del TEA basada en rs-fMRI. Específicamente, para cada sujeto, primero estimamos múltiples FCNs utilizando diferentes métodos para codificar interacciones ricas entre las ROIs desde diferentes perspectivas. Luego, utilizamos la información de las etiquetas (TEA vs. control sano (HC)) para aprender un conjunto de pesos de fusión para medir la importancia/discriminación de esas FCNs estimadas. Finalmente, aplicamos la FCN fusionada con pesos adaptativos en el conjunto de datos ABIDE para identificar sujetos con TEA de los HC. El marco de fusión de FCN propuesto es sencillo de implementar y puede mejorar significativamente la precisión diagnóstica en comparación con métodos tradicionales y de vanguardia.