阿尔茨海默症(Alzheimer’s Disease,AD),俗称老年痴呆,是一种不可逆的大脑神经系统退行性疾病。近年来,全球AD患病人数急剧上升且治疗费用巨大,严重影响患者个人和家庭的正常生活,已经成为一个亟需解决的重大社会问题,目前最有效遏制AD的途径就是进行早期干预,它可以减缓和控制AD病情的发展进程。轻度认知障碍(Mild Cognitive Impairment,MCI)通常被认为是介于正常对照(Normal Control,NC)和AD之间的过渡状态,尤其是晚期MCI很可能发展为AD。因此,如何在早期能够快速准确地诊断出AD/MCI仍然是一个具有挑战的问题。磁共振成像(Magnetic Resonance Imaging,MRI)因其对大脑的非入侵性以及对大脑结构变化的灵敏性逐渐成为研究脑疾病的重要医学工具。而MRI技术的运用有助于捕获区域性脑萎缩和理解与AD相关的解剖变化,可以在一定程度上反映疾病所处阶段的变化。近年来,随着机器学习(Machine Learning,ML)的迅猛发展,尤其是深度卷积神经网络(Convolutional Neural Network,CNN)在各种医学图像分割、分类和配准任务中的广泛运用。因此,越来越多研究者尝试用机器学习方法对MRI进行分析,从而实现对AD的早期诊断。然而,基于传统机器学习的AD早期诊断方法需要人工提取特征,容易受到人为主观因素干扰,同时基于二维卷积神经网络的AD诊断模型存在MRI空间信息使用不充分,导致诊断率偏低,缺乏对AD生物标志物的有效判定等问题。针对上述问题,本文基于三维卷积神经网络和脑网络分析方法分别对MRI影像进行分析,进而实现AD的辅助诊断以及AD生物标志物的确定。本文研究的主要内容如下:1)针对影像空间信息使用不充分导致AD诊断率偏低等问题,本文提出了基于残差(Residual)和注意力机制(Attention Mechanism,AM)结合的三维全卷积神经网络的AD早期诊断模型。实验对比结果表明,模型在AD、MCI、NC分类中具有更高的准确率和稳定性。2)基于AD存在局部相关脑区萎缩等先验知识,为进一步提升AD的诊断率,提出了一种基于感兴趣区域(Regions of Interest,ROI)的三维卷积神经网络的AD早期诊断方法。其他方法相比,该方法能够进一步提升AD、MCI、NC分类准确率,且证实了选取ROI的有效性。3)为进一步提高AD的诊断率,同时也为寻找AD相关的生物标志物,提出了一种基于ROI的CNN和遗传算法(Genetic Algorithm,GA)相结合的AD诊断集成学习(Ensemble Learning,EL)模型。该方法借助GA找出具有显著分类效果的AD生物标志物脑区,并利用大脑图谱对这些脑区的行为域进行分析。实验结果表明,该模型不但进一步提升了分类效果,而且找出的AD生物标志物基本符合当前AD研究成果和经验,具有一定的参考价值和意义。4)此外,研究了基于大脑灰质体积构建不同人群的脑结构网络,并结合脑网络理论来分析相关人群的网络属性,进而实现对AD生物标志物确定。实验结果表明,不同人群的结构网络都具有小世界属性,并且它们脑区核心(Hubs)节点间的连接也有很大不同,其对应的大脑功能也一定程度上吻合患者人群的表现,可能为AD病理的研究提供结构上的帮助。