阿尔茨海默症(Alzheimer’s disease,AD)是一种以记忆及认知功能损害为主要症状的神经系统原发性疾病,是老年痴呆中最常见的类型,严重威胁老年人的生活质量和生命安全。我国将面临愈发严峻的人口老龄化问题,AD的患病率不断提高,给患者、家庭及社会带来极大沉重的经济和生活负担。由于AD自身的病变特点与医学技术的局限性,实现AD的早期诊断是十分有难度的,且目前全球医学界没有非常有效的治疗方法,只能尽量依靠药物控制AD的恶化。因此,AD早期诊断的研究一直是国内外的热点和难点问题之一。本文旨在通过研究适用的机器学习方法来构建并优化适用的AD早期分类诊断模型,帮助临床医生实现AD的早期诊断,具有极其重要的理论和实际应用价值。首先,针对阿尔茨海默症数据样本的有限性和高维度性等问题,本文建立了新型跳变时滞粒子群优化支持向量机方法实现AD的早期诊断。其次,为了进一步提高早期诊断的准确率,考虑AD数据样本的复杂关系和表征能力等特点和难点,研究并改进适用的深度学习模型来实现AD的早期诊断。最后,通过结果比较验证了本文提出的改进深度学习方法能够为AD早期诊断和及时治疗提供一种可靠的诊断方法。本文的主要工作内容概括如下:(1)鉴于阿尔茨海默症核磁共振成像的复杂性和特异性,本文提出适用于阿尔茨海默症早期诊断的图像预处理方法。本文使用了包括头骨剥离、非均匀性校正、配准、组织分割与空间标准化、平滑等五个步骤的图像预处理,然后基于模板初步提取出90个与AD病变有关的感兴趣区域(ROI)。为了剔除ROI中无关或冗余特征,本文先利用主成分分析法将原始的90个数据特征投射到新的数据特征空间中,获得包含原始所有信息的新的38个数据特征。再采用多任务特征选择法从38个数据特征中选择出与所有任务都相干的、具有强表征力的12个特征子集,以进一步减少数据特征维度。(2)考虑阿尔茨海默症研究数据样本的有限性,特征的高维度性和数据的非线性等特点及难点,本文提出优化的支持向量机方法实现阿尔茨海默症的早期诊断。由于支持向量机的分类性能主要依赖于惩罚系数和核参数的取值,因此本文采用新型跳变时滞粒子群优化算法(SDPSO)优化支持向量机参数。其中,SDPSO算法考虑了粒子在搜寻过程中个体和种群的时滞信息,根据进化因子与非齐次马尔科夫链信息自适应调整算法参数,促进粒子间的互相交流,从而有效的避免粒子落入局部最优值。将该算法引入到支持向量机中有利于搜寻到参数的全局最优值,为构建与优化基于支持向量机的阿尔茨海默症早期诊断方法提供了合适可靠的参数,实验结果显示该方法可以获得较好的分类效果。(3)为了进一步提升AD早期诊断模型的精确度,考虑AD数据样本的复杂关系和表征能力等特点和难点,本文提出改进的深度学习方法实现阿尔茨海默症的早期诊断。其中,考虑到深度学习模型在学习特征时难以探测多任务间的内在关联信息,因此本文引入多任务学习法来学习多个任务间的异同点,捕获潜在信息,提高数据特征的表征能力。同时,由于深度学习模型在训练过程中存在模型参数难优化,数据过拟合等问题,本文引入dropout技术和zero-masking技术来改善模型的结构机制,提高学习性能。最后将改进的深度学习方法运用到阿尔茨海默症早期诊断实验中,并与其他前沿研究方法比较,实验结果证实该方法能够获得更高的精度,具有良好的理论研究和应用价值。