如今,越来越多的老年人受到阿尔茨海默病以及相关疾病的困扰,虽然这种疾病目前还没有很好的根治方法,但是尽早的诊断出这种疾病可以通过药物更有效的控制病情。另外,医学成像技术和机器学习技术的快速发展,促使基于机器学习技术的医学研究和临床试验发展迅速,所以基于机器学习图像处理技术的阿尔茨海默病以及相关疾病的检测方法成为了研究的热点。由于医学图像识别中特征选择是阿尔茨海默病检测的关键阶段,而在特征提取技术相对比较成熟的情况下,如何在多种原始特征提取之后挑选出具有高判别性的特征或者特征组合就显得尤为重要,因此,本文就特征选择阶段技术开展相关内容的研究。本文首先介绍了阿尔茨海默病检测方法的研究背景与意义,并分析了国内外的研究现状;然后介绍了基于机器学习技术诊断阿尔茨海默病的相关知识,其中包括相关医学成像技术,以及诊断流程和流程中用到的常用技术等。接着研究了特征之间的相关性测量方法,并介绍了一种基于特征低阶相关性的阿尔茨海默病检测方法;最后重点研究了如何利用特征高阶相关性进行特征选择,并引入超图理论,提出了一种基于超图理论的阿尔茨海默病检测方法。本文具体的研究工作如下:1)对关于阿尔茨海默病检测的图像识别相关技术进行了研究,主要包括了整个检测阶段所涉及的常用经典方法,并对这些方法的原理和优劣进行了介绍。2)研究了阿尔茨海默病检测相关的特征选择技术,分析算法的原理和不足,针对阿尔茨海默病患者和轻度认知损害患者脑部医学图像特点,介绍了一种基于特征低阶相关性的阿尔茨海默病及相关疾病的检测方法,通过协方差矩阵对原始特征二阶关系进行测量,并将这种关系与SVM-RFE算法结合从而优化特征选择并最终提高疾病检测准确率。3)深入研究了特征之间的相关性特点,同时研究了特征高阶相关性测量技术,最后提出了一种基于超图理论的阿尔茨海默病检测算法,将特征高阶相关性引入特征选择过程中,使其能提取到更优的特征子集,并最终提升分类识别效果。根据公开数据库上的实验结果可以看出,在阿尔茨海默病检测算法中引入特征相关性可以极大程度上提升方法效果。具体而言就是,引入特征相关性的算法优于未引入的方法,而引入特征高阶相关性的算法优于引入特征低阶相关性的方法,并且本文提出的方法可以有效的提取出最优特征子集。