阿兹海默症是第一大神经退行性疾病。本文重点研究了如何使用具有大量样本的公开数据集通过迁移学习的方法,解决少量特定区域的阿兹海默症样本不充分和模型优秀的分类性能之间的矛盾问题。因此,本文的研究内容如下:首先,总结分析了实例迁移学习中的相关理论与技术,在现有理论与技术的基础之上,结合本文所使用数据的特殊性——公开数据集（源域）特征少,本地数据集（目标域）特征多的特点,查阅了关于特征生长相关技术的资料,为后面处理该数据打下坚实的理论基础。其次,针对源域特征少,目标域特征多的特点,导致一般的迁移学习方法无法应用于该场景下的问题。提出了通过共同特征进行K近邻适配的特征生长算法,解决了源域与目标域之间的特征不匹配问题。K近邻适配的特征生长算法基于两个数据集样本共有特征之间的距离关系,从目标域样本中挑选合适的特征并填充入源域,以此使得源域和目标域的样本特征匹配。并通过实验仿真分析了该算法在不同维度下的分类准确率,验证了该算法的有效性。最后,为进一步减小特征匹配后源域与目标域之间的差距,提出了跨域度量流形对齐算法。该算法在数据变换过程中充分考虑样本之间的流形对齐,通过加入标签信息,使得域或域之间的同类样本的流形结构相互靠近,不同样本的流形结构相互远离。实验结果表明:相比于传统算法,本文提出算法更能在源域和目标域分布不同的场景下有效地对阿兹海默症患者做早期诊断。基于以上的研究,本文实现了从数据预处理到阿兹海默症早期诊断的分类算法流程,并通过实验验证了提出算法的有效性。