阿尔茨海默病（AD）是一种病因未明的神经退行性疾病。在我国,阿尔茨海默病患者超1000万例,每年产生费用超1万亿元,且走失老人事件中七成因AD而起。该病是一种严重的社会公共卫生问题,给社会和患者的家庭带来了不可估量的经济和精神负担。该病尚无法治愈且呈现出不可逆转的趋势,但是目前研究表明疾病的早期干预可有效改善患者的认知功能,降低患者及家属负担,经济效益显著。然而,对于阿尔茨海默病致病机理不明且发病机制复杂,目前临床表现及量表评估等定性指标诊断主观,难以精准识别尚无临床症状的早期阿尔茨海默病患者,导致临床误诊率高的现状。随医学影像学和人工智能技术的飞速发展,研究计算机辅助系统对阿尔茨海默病的辅助诊断成为该领域的研究热点。本文主要使用核磁共振图像数据,在避免数据泄露的数据集上,研究基于深度学习方法的应用,进行阿尔茨海默病相关的分类任务,本文主要工作包括以下方面:（1）研究病患大脑全脑信息和灰质信息对于分类任务的模型性能影响;（2）研究多种深度卷积神经网络在阿尔茨海默病分类任务上的模型性能,分析不同网络结构的优缺点并提出模型改进的方法;（3）研究集成学习方法在卷积神经网络模型结构上的结合应用,提出深度融合网络方法,深入研究异构卷积神经网络在特征融合和决策融合上的深度融合方法。本文研究全脑信息和灰质信息在阿尔茨海默病分类上的任务应用,通过实验得出灰质信息更有助于分类任务模型学习的结论。另外,研究深度卷积神经网络的模型改进方法,实验结果表明本文所提出的改进方法能够有效提升模型的性能。最后,所提出的深度融合网络方法用于阿尔茨海默病的模型分类性能,在区分阿尔茨海默病患者、轻度认知障碍患者和正常对照组的任务上,模型准确率提升了约4个百分点。