阿尔茨海默症（Alzheimer’s Disease,AD）是一种目前无法治愈的进行性神经系统疾病。其典型症状记忆力减退常被误认为是正常衰老表现,因此就诊率低。轻度认知障碍是AD的前驱阶段,它转化为AD的几率远高于正常认知,及时确诊治疗可有效延缓疾病进展。磁共振成像在AD病程诊断中是十分重要的检查手段。深度学习的发展推动着智慧医疗的进步,其中卷积神经网络（Convolutional Neural Network,CNN）以其在图像分类、目标检测的优势成为医学图像处理的研究热点。本文以AD脑部核磁数据与CNN模型为基础,从基于经典算法的调参优化、迁移学习方法以及模型中增加注意机制的三个角度,对AD病程分类模型进行改进,具体内容如下:1、为研究核磁图像不同切面信息对AD病程诊断的贡献,将ADNI数据集中经过预处理获得的核磁灰质图像,设计程序提取不同切面数据,并对数据集中全黑色以及信息量较少的图像进行删除处理。此外,为选取针对AD病程分类性能更好的模型,基于冠状面数据集从召回率、分类精度、特异度以及准确率等指标评价模型分类性能,对比Google Net、VGGNet16、Res Net50、Dense Net121四种模型的分类效果。最终选择了分类准确率较高的Res Net50与Dense Net121作为AD病程分类模型。2、为解决医学数据量小的问题,同时提升分类准确率,对Res Net50与Dense Net121模型进行了算法调参实验。从模型学习率、优化算法以及增长率角度对参数进行优化,将Ada Bound优化算法应用于CNN模型。之后,结合基于参数的迁移学习方法将模型应用于AD病程分类诊断中。结果表明该方法不仅提升了模型分类准确率,而且相应地提高了收敛速度。3、为增强CNN模型特征提取能力,在Res Net50、Dense Net121中添加注意力机制应用于AD病程分类任务。结果表明SE-Res Net50、SE-Dense Net121分类效果提升明显,准确率分别达到97.74%、98.31%。之后,选择这两种分类效果较好的模型做泛化性能测试。将原始的OASIS数据集经过预处理获得三种切面数据集,然后输入SERes Net50与SE-Dense Net121模型中测试分类性能。最终测试准确率分别为88.33%、92.78%,表明后者的泛化性与稳定性较好。本文将CNN应用于AD核磁数据的分类研究,采用的基于注意力机制的Res Net50与Dense Net121模型可获得较好的分类效果,为AD的早期诊断和病程分类提供了准确、稳定的方法,具有重要应用价值。