阿尔茨海默症（Alzheimer’s Disease,AD）是一种神经退行性疾病,轻度认知障碍（Mild Cognitive Impairment,MCI）是其早期阶段。AD和MCI在临床上表现出了一系列脑功能损伤的症状,如进行性记忆障碍和认知能力下降。而功能影像包含了时间序列,可以反映患者的脑功能信息,对阿尔茨海默症的科学研究和临床诊断具有重要意义。近年来,计算机的硬件架构在不断改善,算力也在逐步提升,机器学习在图像分类领域取得了快速进展。但医学上的功能影像是具有三维或四维结构的高维图像,且影像资源有限,使用机器学习方法对这种数据进行分类易产生“维数灾难”问题,因此,如何通过功能影像进行辅助诊断是一个十分值得研究的问题。曾有研究证明AD和MCI的脑网络出现了异常变化,但这种变化所带来的区分能力尚未可知,如果患者在脑网络上出现的变化可以作为区分AD、MCI和正常老年人的生物标记物,那么就为阿尔茨海默症的诊断提供了一种新的思路和方向。另外,不同模态的脑功能影像可以从不同视角反映人脑功能信息,从而能获得比单一模态更多的特征,这也有助于诊断准确率的提升。针对以上提出的问题和临床的实际需求,本文主要使用脑网络和机器学习分析方法,对阿尔茨海默症患者的功能性磁共振（functional Magnetic Resonance Imaging,fMRI）和弥散张量成像（Diffusion Tensor Imaging,DTI）进行研究。本文主要内容和贡献有:（1）对fMRI数据和DTI数据进行整理,将数据批量进行格式转换,并对数据进行脱敏处理;然后利用已有阿尔茨海默症的研究结论,选定种子区域。（2）提出了基于fMRI脑网络的阿尔茨海默症分析方法。该方法首先对fMRI数据进行处理,并构建出基于体素的脑网络,然后对脑网络进行统计分析,找出了 AD、MCI和正常对照组的脑网络差异,并使用脑网络值作为被试的特征,进行降维和分类处理。实验取得了较高的准确率,由此证明了以海马体为种子点的局部脑网络特征可作为阿尔茨海默症的生物标记物,也证明了该方法的有效性。（3）提出了基于稀疏判别分析的功能脑网络融合分类框架。该框架首先分别对fMRI和DTI做预处理,构建脑网络,并提取脑网络特征;然后对两个模态的脑网络进行特征选择和特征融合;最后使用稀疏判别分析算法进行降维和分类,并取得了优于单模态的诊断效果,实验结果证明了功能脑网络融合方法的有效性和稀疏判别分析算法的优越性。