阿尔茨海默病严重危害老年人健康和生活质量,给家庭和社会带来沉重的经济负担。早发现、早干预可以有效减缓病情的发展,降低疾病的发病率。如何在发病早期辅助医生准确诊断是研究者亟待解决的重大热点问题。磁共振成像（magnetic resonance imaging,MRI）具有无创、无辐射的优点,因此被广泛使用于阿尔茨海默病的临床诊断。但是人工解读MRI图像往往依赖经验丰富的临床医生,不仅耗时费力,还很容易忽略图像中细微的信息,难以保证阿尔茨海默病诊断的时效性和客观性。基于深度学习的医学影像自动识别和分析为解决这一问题提供了途径。一般来说,医学影像在临床辅助诊断中涉及去噪、分割、配准和疾病分类四个关键技术。在阿尔茨海默病的辅助诊断过程中,去噪为后续临床分析提供高质量的图像,分割为配准提供弱监督信息,配准则可以通过建立不同图像对应解剖结构在空间位置的一致性,描述大脑的退行性变化,而疾病分类可以为临床医生提供高效、精准的疾病筛查结果。本研究针对上述关键技术目前存在的问题展开研究,围绕深度学习、先验知识、多任务学习提出对应的解决方法。主要研究工作和创新如下:针对现有去噪模型参数较多且容易忽略局部信息的问题,提出了基于全局和局部信息融合的脑部MRI图像去噪算法。该算法首先在不显著增加参数的前提下,结合空洞卷积和残差策略构造空洞卷积残差模块,扩充感受野提取更多的全局上下文信息;其次,结合深度可分离卷积和残差策略构造深度可分离卷积残差模块,弥补全局信息提取过程中丢失的局部信息;然后分别级联两个模块构建并行去噪网络,实现全局和局部信息的融合,提升特征的表达能力;最后利用重建模块获得无噪声图像,并在多个公开数据集上验证模型的去噪性能。结果表明,与以往算法比较,提出的去噪算法获得了更好的去噪效果,为后续阿尔茨海默病辅助诊断提供高质量的脑部MRI图像。针对分割模型中一些先验知识获取困难和注意力机制可能产生错误注意的问题,提出了基于纹理特征和背景知识的脑组织分割算法。该算法首先通过灰度共生矩阵提取MRI图像的纹理特征,在缺乏先验知识的情况下,提供额外的脑组织边界信息提高算法的分割性能;其次,搭建双编码器的残差U-Net模型,以MRI图像和纹理特征作为输入,学习更多隐藏信息;再次,引入通道注意力机制,重新校准编码器和解码器通道上的特征,提取更多有助于分割的特征;然后将背景知识引入注意力机制构造强化模块,在保证产生正确注意的同时,引导模型重点关注脑组织区域;最后结合交叉熵和广义Dice系数构造多尺度多阶段的混合损失函数,实现由粗到细的分割。在BrainWeb、Open Access Series of Imaging Studies（OASIS）-1 和 Child and Adolescent Neuro Development Initiative（CANDI）三个公开数据集上评估所提出的分割模型,平均Dice系数分别为0.9556,0.9704,0.9638。实验结果证明,所提模型性能优于现有的分割模型,为后续研究提供了精准的脑组织分割信息,有助于提高阿尔茨海默病辅助诊断的精度。针对基于配准的脑萎缩量化研究中阿尔茨海默病检测的准确性依赖配准精度的问题,围绕多任务学习展开研究,提出了联合配准和分类的阿尔茨海默病辅助诊断方法。该方法首先构建基于patch的联合配准和分类网络模型,以获取局部密集变形场和描绘阿尔茨海默病患者高风险区域的疾病风险概率图。将配准任务的变形场信息引入分类任务,变形场信息可以作为大脑局部的退行性变化,增强模型的可解释性。在训练过程中,采用无监督和弱监督学习策略优化网络参数;然后提出了指数距离加权的patch融合方法获得无网格伪影的全局变形场和疾病风险概率图;最后基于全局分类网络验证全局疾病风险概率图对阿尔茨海默病不同阶段（正常、轻度认知障碍和阿尔茨海默病）的分类效果。在OASIS-3、Australian Imaging,Biomarker＆Lifestyle Flagship Study of Ageing（AIBL）和 Alzheimer’s Disease Neuroimaging Initiative（ADNI）数据集上评估了所提算法的性能。在配准任务中,平均Dice系数可以达到0.8841、0.8166和0.8214。在分类任务中,全局疾病风险概率图可以更直观、有效地展示阿尔茨海默病的高风险区域。使用全局疾病风险概率图在正常vs.轻度认知障碍vs.阿尔茨海默病分类任务的准确性分别达到0.8113、0.8251和0.8416。实验结果表明,所提模型的配准性能优于目前最先进的配准模型,使用疾病风险概率图对阿尔茨海默病进行早期诊断也得到了令人满意的结果,临床上具有广阔的应用前景。