阿尔茨海默症（Alzheimer’s Disease,AD）属于神经退行性疾病,其主要症状是记忆力、认知功能下降以及语言能力减弱等。轻度认知障碍（Mild Cognitive Impairment,MCI）是正常和痴呆之间的一种过渡阶段,其临床主要表现是记忆以及认知功能较常人存在轻微受损,但没有完全被确定为AD。MCI被认为有极大的可能最终转化为AD,然而目前仍然缺乏针对AD的有效生物标志物。功能磁共振成像（functional Magnetic Resonance Imaging,f MRI）是AD研究中的一种重要工具,但f MRI数据的高维性仍然是其用于探究有效生物标志物过程中的关键障碍,从而影响疾病的诊断。针对此类问题,最新提出的基于静息态f MRI（resting-state f MRI,rs-f MRI）降维技术的脑功能连接梯度方法得到了广泛关注,但在AD的诊断研究中尚未成熟。为了更好地解决f MRI数据高维性在探究AD有效生物标志物研究中带来的挑战,本文分别基于主成分分析、扩散嵌入技术、拉普拉斯特征映射三种降维方法构建了脑功能连接梯度,并分析了基于不同降维方法的正常被试（Normal Control,NC）、MCI被试和AD被试全脑连接模式的变化,利用统计分析的方法进一步分析了不同降维方法中不同认知障碍程度被试之间的脑区差异。实验结果表明随着认知障碍的进展,全脑连接模式发生变化的脑网络增多,存在显著差异的脑区也越多,其中基于主成分分析和扩散嵌入技术的方法表现得更为突出,并且基于主成分分析方法中具有显著差异的脑区最多。针对基于rs-f MRI降维技术得到的脑功能连接梯度作为生物标志物用于诊断AD的适用性,本文提出将不同降维方法与不同分类器相结合的方式分别对NC、MCI和AD组进行分类,用准确性、敏感性、特异性、F1分数四个评价指标进行分类性能评估,并将得到的所有指标都与脑功能连接（Function Connection,FC）分类结果进行对比,从而找到分类效果最好的组合,其中用到的分类器包括支持向量机（Support Vector Machines,SVM）、K最近邻（K-Nearest Neighbor,KNN）、极限学习机（Extreme Learning Machine,ELM）。实验结果表明ELM分类器的综合表现相对较好,并且扩散嵌入技术与ELM分类器相结合的分类效果最佳;另外,基于主成分分析、扩散嵌入技术、拉普拉斯特征映射得到的脑功能连接梯度特征子集整体优于FC特征子集的分类表现。因此进一步证明了在AD的研究中对rs-f MRI数据进行降维的重要性,以及脑功能连接梯度可以作为生物标记物用于诊断AD;另外,本文的结果表明选择适当的降维方法和分类器模型从一定程度上能够提高MCI以及AD的分类性能。