La combinación de etiquetado arterial por giro (ASL) e imágenes por resonancia magnética funcional (fMRI) puede revelar propiedades más completas de las redes cerebrales en términos espaciotemporales y cuantitativos. Los marcadores de imágenes de la enfermedad renal en etapa terminal asociados con el deterioro cognitivo leve (ESRDaMCI) serán buscados a partir de estas propiedades. Los métodos de clasificación multimodal actuales a menudo descuidan recopilar relaciones de alto orden entre las regiones cerebrales y eliminar el ruido de la matriz de características. Se propone un marco de clasificación multimodal para abordar este problema utilizando la relación latente de hipergrafo (HLR). Se construye una red funcional cerebral con información estructural de hipergrafo a partir de datos de fMRI. La matriz de características se obtiene a través de la teoría de grafos (GT). El flujo sanguíneo cerebral (CBF) de ASL se selecciona como la segunda matriz de características modales. Luego, se construye una matriz de similitud adaptativa aprendiendo la relación latente entre las matrices de características. Se introduce el aprendizaje de similitud adaptativa de relación latente (LRAS) para el aprendizaje de características de múltiples tareas para construir un método de selección de características multimodales basado en la relación latente (LRMFS). Los resultados experimentales muestran que la mejor precisión de clasificación (ACC) alcanza el 88.67%, al menos un 2.84% mejor que los métodos más avanzados. El marco propuesto conserva más información valiosa entre las regiones cerebrales y reduce el ruido entre las matrices de características. Proporciona un valor de referencia esencial para el reconocimiento de ESRDaMCI.