阿尔茨海默病是最常见的老人痴呆症。AD的早期表现一般为记忆力衰退,病情的逐渐发展会给老年人的身体状态带来严重的威胁,因此在AD早期阶段进行治疗和干预十分关键。核磁共振成像是目前比较常见的诊断方法,但由于人工影像诊断存在较大的主观性且耗时性,并且AD早期阶段的影像特征并不明显,所以人工无法对其进行准确识别。如今,深度学习被广泛应用于医学影像中,它可以帮助医生进行智能辅助诊断和分析,提高了对疾病诊断的准确率。为了能够更准确对阿尔茨海默病进行早期诊断,本文提出了一种基于ECARes Net18深度学习网络的阿尔茨海默病的分类方法。主要研究工作如下:（1）首先对阿尔茨海默病数据集进行预处理,并沿着横截、矢状、冠状三个轴向视角提取切片,根据阿尔茨海默病的病灶所在的切片位置分布,选取每个3D MRI数据样本在三个轴向视角病灶特征明显的2D切片。（2）针对阿尔茨海默病多视角中的矢状切片特征难提取的问题,提出一种融合有效通道注意力模块（ECANet）的Res Net18网络模型。注意力模块对网络中每层的输入特征信息能够分配不同的权重,从而提高网络模型的分类性能。经实验结果分析,改进的网络模型可有效地提高阿尔茨海默病的分类准确性。（3）针对阿尔茨海默病图像中细小特征不明显的问题,在改进ECA-Res Net18网络中添加了Softpool池化和Meta-Acon激活函数。Softpool在下采样激活映射中保留患者切片中更多的信息,提取更深层次特征可提高检测精度,Meta-Acon激活函数让网络自适应激活。实验结果证实修改完池化和激活操作后的网络模型中正常和患病分类准确率有所提高。（4）针对阿尔茨海默病切片中正样本（病灶过小）和负样本（背景过大）之间的不平衡及轻度受试者样本不容易学习的问题,选择使用焦点损失函数。通过调整参数γ增加患病样本的学习权重,使网络更加关注患病样本的学习;同时通过调整参数α来解决切片中病灶与背景间的不平衡,实验结果表明,修改损失函数可以提高网络模型分类的准确性。