人的大脑结构会随着年龄增长而不断变化,除了正常衰老过程引起的结构变化外,过度的功能衰退和神经退行性疾病也可能导致大脑形态结构的异常变化。大脑年龄作为一种生物标志物,能够衡量大脑的衰老程度。大脑的异常变化使得大脑衰老脱离了正常的轨迹,造成大脑年龄与个体生理年龄的偏差。这种偏差可以评估大脑异常变化的程度。大脑磁共振成像拥有极高的空间分辨率,可以清晰地显示病变组织与正常组织,为大脑年龄预测提供了可能。当前基于磁共振成像的脑龄预测方法主要是基于机器学习与深度学习的方法。传统的机器学习手段需要从磁共振图像中手工提取特征,再进行回归预测。手工提取特征的过程较为繁琐,依赖特征提取方法,且预测精度会受到所提取特征的影响。现有的深度学习脑龄预测模型大多使用三维卷积,其参数量大,对计算机硬件设备有极高的要求,且训练周期较长。本文完成了以下工作来解决上述问题:（1）针对三维卷积参数量大与训练周期长等问题,本文提出了基于注意力机制与残差模块结合的二维卷积神经网络模型。在公共数据集上搭建模型并进行实验,通过实验得出较优的数据切片范围与残差权重。接着训练模型并进行参数微调,使模型性能在验证集上达到较优水准。最后,模型在测试集上可以达到一个良好的效果,验证了模型注意力机制与残差模块结合的有效性。（2）使用更严格的数据预处理流程,经过一系列的分割、配准与重采样等流程,得到灰质数据。直接选择部分涵盖对衰老敏感区域的二维灰质图像切片作为输入特征,对比多种机器学习算法的性能表现,选择最优算法进行脑龄预测。随后使用模型预测患病组的脑龄,与个体的实际生理年龄作差后得到脑龄差异。接着分析脑龄差异与患病组人群的临床量表,探究脑龄差异与疾病的潜在联系。结果表明脑龄差异与临床量表评分存在显著的相关性。