阿尔茨海默病（Alzheimers Disease,AD）是一种与年龄高度相关且患病过程不可逆的神经退行性疾病。在临床表现上,患者早期通常会出现日常记忆丧失、表达受阻以及行动受限等症状,随着病情的不断发展,患者会逐渐丧失个人的生活自理能力,给患者的家庭以及社会带来沉重的经济压力与看护负担。由于该疾病的特殊性与复杂性,医学上至今仍未找到具体的致病原因,以及有效治愈患者的方法,只能通过人为干扰或药物治疗来延缓病情进一步恶化。在临床上,通常将AD病情的发展分为认知正常受试者（Cognitively Normal,CN）、轻度认知障碍患者（Mild Cognitive Impairment,MCI）与阿尔茨海默病患者（Alzheimers Disease,AD）等三个阶段。其中,轻度认知障碍（MCI）是介于CN和AD之间的一种中间状态,这个阶段患者的认知功能会有轻度的衰退,但日常生活能力没有受到明显干扰,同时MCI向AD的年转化率高达10%-15%。因此,能够准确区分出患者所处的不同阶段,特别是筛选出MCI阶段的患者,对于医生通过药物治疗来延缓AD患者病情的发展起着至关重要的作用。近年来,随着神经影像学技术的飞速发展,所采集到的磁共振成像（MRI）数据的质量不断提高,其为疾病诊断带来的高价值信息使得MRI已成为AD诊断过程中的主要数据来源。在实际的临床诊断中,医生首先会根据患者临床表现、神经心理学评估量表以及过往病史对患病情况进行初步的判断,然后会结合各项临床指标数据以及神经影像学数据等进行综合分析,并依据多年的临床经验给出诊断结果。但人工处理包含海量信息的数据（例如MRI数据）难免会遗漏细微差异从而错失诊断所需的关键依据,同时现有研究大多数仅通过图像单一模态数据进行研究不符合实际临床诊断。基于以上问题,本文通过分析AD患者的MRI图像与临床指标数据,提出了一种基于融合多模态特征的阿尔茨海默病多分类预测方法。主要研究内容包括以下三个方面:一、阿尔茨海默病患者MRI图像数据预处理对阿尔茨海默病患者的MRI图像数据,首先通过开源软件Freesurfer进行配准与颅骨剥离等预处理,减少了无关因素对模型的影响,得到的图像数据作为图像特征提取模块的输入数据。然后,对该图像进行分割灰质层处理,通过不同ROI模板统计灰质层对应的形态学指标数据（灰质表面积、灰质体积以及皮层厚度）。最后,选取患者临床指标数据中第一次记录的数值进行缺失值预处理,并与图像的形态学指标组合构成研究所需的指标特征数据集。二、提出一种基于MRI图像与指标特征数据集的多模态数据特征提取方法由于MRI图像和指标特征数据集的高维信息特性,分别对这两个数据集进行了特征预处理。一方面,针对MRI图像数据集,构建了通道注意力网络（Channel Attention Network,CAN）模块。该模块将整个三维MRI图像作为模块输入进行学习,引入具有注意力思想的SE（Squeeze and Excitation）模块用于提高通道特征学习能力,使其关注与任务高度相关的特征,提取的特征对于研究任务指向性更强,能够有效提高分类准确率。另一方面,针对指标特征数据集,提出一种特征选择策略用于筛选高维指标数据。首先根据数据的特点通过低方差与高相关滤波来剔除患者特征之间冗余的部分,然后基于IG（Information Gain）+SHAP（Shapley Additive ex Planation）的组合模型挑选出相对分类标签高度相关且重要性高的特征子集,这有利于减少冗余信息造成的模型过拟合风险,有效提高了模型的性能与结果。三、提出了一种用于融合图像与指标特征数据特征向量的多模态融合方法前面的工作主要用于提取图像与指标特征数据两个模态数据的特征向量表示,本文还提出了一个多注意力融合模块MAFM（Multi-Attention-Fusion Module）用于融合多模态数据。通过考虑各模态特征的权重分配,MAFM通过使用自我注意机制来学习不同模态之间的相关性,以进行数据融合。它使模型更专注于重要特征,从而提高了模型的性能。