阿尔茨海默病是一种最常见的老年痴呆类型疾病,潜在的病理学症状有可能早于认知症状显现。虽然在阿尔茨海默病的早期,有一些医疗措施可能可以延缓其发病病程,但目前仍然没有可以根治的治疗方案,因此世界上很多国家都很重视阿尔茨海默症的早期诊断及治疗方案的研究。多模态的神经影像为阿尔茨海默症的研究提供了丰富的数据源,但是如何从这些三维神经影像中提取有特异性的特征,是阿尔茨海默症计算机辅助决策的基础问题。本文所研究的多模态神经影像多任务特征选择方法,对阿尔茨海默症的计算机辅助决策研究具有重要的意义,也对其它领域的多模态数据分析具有一定的借鉴作用。本文采用多任务特征选择算法对多模态影像数据进行联合分析与研究,实验结果表明提出的算法可帮助寻找对脑疾病敏感的生物学标记,加强对脑疾病病理的理解,为脑疾病辅助诊断提供借鉴。主要创新点如下:1、提出基于密度聚类的多任务特征选择算法。该算法利用基于密度聚类构造的相似矩阵衡量样本线性映射之后的结构关系,即在原始空间上同类样本映射之后映射点依旧会比较近,异类距离近的样本通过映射映射点距离会比较远,并将此结构关系约束嵌入到多任务特征选择框架中实现特征的有效选择。2、提出基于类内方差最小化的多任务特征选择算法。该算法结合类内方差最小化思想和多任务特征选择算法,构建了包含类内方差最小化项的多任务特征选择模型,可以实现特征有效选择。3、提出两阶段多任务特征选择算法。算法先引入基于有效距离的拉普拉斯分数特征选择方法对有标签数据实现特征的预降维,再把降维之后的特征作为基于类内方差最小化的多任务特征选择算法的输入,最终实现特征的鲁棒选择。采用十折交叉验证与网格化搜索策略实现算法最优参数的选择。