El trastorno del espectro autista (TEA) es un trastorno neurodesarrollmental complejo que puede reducir la calidad de vida y cargar a las familias. Sin embargo, existe una falta de objetividad en el diagnóstico clínico, por lo que es muy importante desarrollar un método para un diagnóstico temprano y preciso. Los datos de múltiples sitios aumentan el tamaño de la muestra y la potencia estadística, lo cual es conveniente para entrenar modelos de aprendizaje profundo. Sin embargo, la heterogeneidad entre los sitios afectará el reconocimiento del TEA. Para resolver este problema, proponemos una red neuronal multi-sitio anti-interferencias para la clasificación del TEA. Los datos de imagen funcional cerebral en reposo proporcionados por el multi-sitio se utilizan para entrenar el modelo de clasificación del TEA. El modelo consta de tres módulos. Primero, se utiliza el módulo de extracción de características del sitio para cuantificar la heterogeneidad entre sitios, en el cual se utiliza un autoencoder para reducir la dimensión de las características. En segundo lugar, se utiliza el módulo de aprendizaje de presentación para extraer características de clasificación. Finalmente, el módulo de clasificación anti-interferencias utiliza la salida de los dos primeros módulos como etiquetas e insumos para un entrenamiento adversarial multi-tarea para completar el aprendizaje de representación que no se ve afectado por las interferencias de los sitios, a fin de realizar la clasificación adaptativa anti-interferencias del TEA. Los resultados muestran que la precisión promedio de la validación cruzada de diez pliegues es del 75.56%, lo cual es mejor que los estudios existentes. La innovación de nuestro método propuesto radica en el problema de que el modelo de clasificación del TEA tradicional de aprendizaje profundo de una sola tarea se verá afectado por la heterogeneidad de los datos de múltiples sitios e interferirá con la clasificación. Nuestro método elimina la influencia de los factores de múltiples sitios en la extracción de características a través del entrenamiento adversarial multi-tarea, para que el modelo pueda adaptarse mejor a la heterogeneidad de los datos de múltiples sitios. Mientras tanto, se introduce 1DconV a gran escala para extraer características de la red funcional cerebral, lo cual proporciona soporte para la interpretabilidad del modelo. Se espera que este método aproveche los múltiples sitios y proporcione referencias para el diagnóstico temprano y el tratamiento del TEA.