随着静息态功能磁共振影像技术的不断发展,影像处理技术也日渐成熟。针对阿尔茨海默症(Alzheimer’s disease,AD)患者而言,从RS-fMRI影像中有效分离出有意义的神经信号并构建脑功能网络对其更早的病情预测具有重要的研究意义。独立成分分析算法(Independent Component Correlation Algorithm,ICA)是在RS-fMRI影像处理领域应用广泛的信号提取算法之一,但仍有不足之处。因此,本文对传统ICA进行了有效改进,并将其应用于阿尔茨海默症患者的脑网络分析。通过实验分析对比,有效说明了本文所提改进算法的有效性和鲁棒性。论文主要贡献如下:在经典ICA方法的基础上将对数据的噪声项进行假设,使其在原有无噪声的苛刻假设情况下进行扩展分析。通过调整主成分的噪声以增强ICA的鲁棒性,实现了一种稳健的独立成分分析算法(Confounding-robust Independent Component Algorithm,CRICA)。所提方法允许存在静态混杂噪声,可调整每组中不同的噪声将组间的变化合并在一起,对于防止组内的混杂具有鲁棒性,并且可用于跨组数据分析。将改进的CRICA算法分别与FastICA、GroupICA算法利用模拟数据和真实数据进行了对比。结果显示,CRICA方法在有组混杂和无混杂情况组成的模型中表现良好,CRICA方法可以通过调整组混淆以增强ICA鲁棒性。因此,在数据包含固定噪声或混淆时,CRICA会获得更好结果已达到所预期的判断。本文将CRICA算法应用于阿尔茨海默症脑网络研究,针对RS-fMRI影像数据,探究了30名健康对照(Healthy control,HC)、19名遗忘型轻度认知障碍(amnestic mild cognitive impairment,aMCl)患者以及22名AD患者的静息态网络(Resting state network,RSN)的统计学差异。在使用CRICA方法处理数据之后,本文分析得到的功能连接异常区域和之前的研究具有一致性,并且在额上回内侧、额上回背外侧以及双侧距状裂周围区域发现与之前不同的但与临床表现具有一致性的功能连接变化。