最近几年来,随着人群感染率年复一年的升高,阿尔茨海默症(Alzheimer Disease,AD)已经成为了人类健康的首要威胁之一。传统的AD诊断主要依靠医生问诊,简易智力状态检查量表等手段,不够精确,容易误判从而贻误治疗时机。AD的早期诊断对于病人来说非常重要,因为一旦出现明显症状,往往已经错过时机,没有办法再进行有效的治疗。及早确诊,及早治疗能够有效提高病人的生活质量,延缓病程。静息态功能磁共振成像(The resting-state functional magnetic resonance imaging,rs-f MRI)是一种可靠的新型磁共振成像技术,这种成像方法能够反映人脑在静息状态下的脑内神经活动情况,我们可以通过量化方法对成像数据进行特征提取,从而根据磁共振数据区分出某一个受试者是正常人还是病人,达到早期诊断的效果。本文基于静息态功能磁共振图像开展了全面的特征提取研究。针对目前学界的研究往往只关注磁共振数据单方面特征这一状况,本文全面联合脑功能网络与局部一致性(regional homogeneity,Re Ho)、低频振幅(amplitude of low-frequency fluctuation,ALFF)等参数模型进行了特征构建与筛选。在实验中,我们首先提取了每个样本磁共振数据中所有体素的局部一致性和低频振幅参数,然后依据大脑分区模板对体素数据进行脑区划分,把脑区参数均值和方差作为特征分量。之后构建了被试大脑的功能连接网络,并用图论的方法进行网络分析,提取出特征参数。本文对比了不同模式识别方法的分类性能,试图选择出适用于小样本的最佳分类器进行下一步特征筛选的实验。结果显示,构造原理相对简单的朴素贝叶斯方法和线性核函数的支持向量机针对测试集的分类效果比较好,而线性核支持向量机更胜一筹,作为最优分类器参与下一步的特征选择实验。本文提出了一种线性核函数支持向量机(Support Vector Machine,SVM)与Fisher score算法相结合进行磁共振神经指纹构建的方法,并在此方法的基础上完成了AD功能磁共振神经指纹的提取工作,线性核支持向量机在此神经指纹特征集上的识别准确率为100%。此方法首先计算每个特征的Fisher score,并据此对所有特征分量排序,之后与支持向量机相结合,最终找到分类识别效果最佳的点,构建了最优的特征子集。