大脑年龄是衡量大脑衰老程度的一种生物标志物。大脑的异常发育和衰老会造成大脑年龄和个体真实年龄的偏差,这种偏差可以客观地反映大脑衰老的程度。大脑结构磁共振影像是一个高分辨率的三维影像。利用影像学技术从磁共振影像中预测大脑年龄,有助于发现以脑损伤、精神分裂症、阿尔茨海默症为代表的脑疾病。因此以大脑磁共振影像为数据的大脑年龄研究具有极大的医学诊治价值。传统的脑龄预测方法从大脑的磁共振影像中提取手工特征,进行分类或回归预测大脑年龄。其过程依赖组织分割、特征选择等繁琐的工作流程,预测结果受手工特征影响,且模型泛化能力不强,预测误差大。已有的一些深度学习脑龄预测模型仅包含简单的卷积层和池化层,预测精度较差,拟合能力较弱。为了解决以上这些问题,本文以结构磁共振影像为数据集,提出多个基于深度学习的脑龄预测模型。本文具体工作如下:（1）针对传统的机器学习脑龄预测工作流程复杂,且现有深度学习模型提取特征简单,预测效果差的问题,本文提出基于注意力机制和双线性融合的三维卷积网络模型。在已有数据集上进行对比实验,提出的模型取得了良好的预测效果,验证了模型中融入双线性融合与注意力机制的可行性和有效性。（2）针对单独将脑灰质（白质）用作模型数据集,造成脑白质（灰质）所携带影响脑龄的特征信息损失,且空间注意力不能对通道间的依赖关系建模等问题,本文提出基于双通道输入的SE-Res Net脑龄预测模型。将SENet嵌入到残差模块中,引入通道维度上注意力机制技术,获取影响脑龄的关键信息,抑制无效信息。同时更好地进行通道间特征融合,提高预测精度。通过对比实验,验证SE-Res Net模型在脑龄预测任务上的可行性和有效性。（3）本文实现了一个医疗辅助诊断系统,并将本文提出的脑龄预测模型应用到该系统的后端系统中。具体工作有:系统的需求分析,逻辑架构设计,数据库设计以及该医疗辅助诊断系统的相关测试工作等。