脑影像已成为当今各种神经疾病诊断的不可或缺的工具，对脑科学、神经病理学和神经认知科学的研究有着举足轻重的影响，在临床上，脑影像对脑疾病的诊断及至治疗有着重要的意义。它的迅速发展使人的精神活动的结构及功能信息的测量与可视化成为可能。神经病理学研究表明，在疾病的早期阶段，即使没有临床症状，在某些特定的脑区就发生了退行性病变。因此，神经成像，包括结构(主要是CT和MRI)成像，功能(主要是PET，SPECT和fMRI)成像，能有助于我们在活体身上发现和认识这些早期脑的变化。 本文的研究工作主要集中于结构MRI的研究上，因为其作为一种用于活体的非侵入式的脑解剖结构的成像方式，可以发现不同的结构改变。而且，同其他成像方式相比，它相对简单，快速，便宜，在临床上得到了广泛的应用。利用分析脑图像获得的信息可以解释病人组和正常对照组之间结构的差异，可能有利于疾病的早期诊断。要发现不同人的脑结构的差异，涉及脑结构的分割、配准以及统计形状分析。 在脑结构分割方面，提出一种机器学习的方法用于改善主动形状模型方法的分割精度。不用灰度梯度描述图像结构，而是用方向滤波器对每个标志点提取旋转不变性的局部特征。然后基于AdaBoost的机器学习的方法用于从这些特征中选择一小部分关键的特征构建极为有效的分类器。这些非线性的滤波器用于确定每个标志点沿法线方向移动的距离。这些特征比只用灰度梯度给出更加精确和可靠的图像和模型之间的配准，实验结果表明这种方法能更准确地分割出目标边界。 在脑结构的统计形状分析方面，通过海马的影像学研究，发现AD病人海马形状的局部异常模式，并构建最优的分类器函数辅助AD病的早期诊断。采用一种简单有效的方法刻画AD病人海马的形状变化，在对海马表面形状参数化的同时构建个体之间的对应关系。然后对表面上的每个点计算基于曲面的度量来描述局部曲面的形变。基于支持向量机和leave-one-out交叉验证的特征选择方法用于最小化错误率的同时发现海马表面的局部异常模式，并构建有效的分类器用于区分AD病人和正常人。