阿尔茨海默病（Alzheimer’s disease,AD）是一种神经系统退行性疾病,常发病于老年群体,发病原因尚不明确。随着医学影像和人工智能（Artificial Intelligence,AI）技术的发展与进步,基于医学图像的计算机辅助诊断（Computer Aided Diagnosis,CAD）能够帮助医师提高分析效率和诊断精度。AD导致的病变主要集中在脑部区域,由于磁共振成像（Magnetic Resonance Imaging,MRI）和正电子发射型计算机断层显像（Positron Emission Tomography,PET）能够反映AD引起的脑部解剖结构和代谢功能变化,因此可被用于AD的诊断。不同模态的数据包含了阿尔茨海默病不同方面的病变特征,基于上述两种图像的多模态特征融合,能够提高诊断性能。为进一步扩充训练样本数量,同时避免3D图像的计算复杂度,本文设计了基于多模态2.5D卷积神经网络（Convolutional Neural Network,CNN）的AD诊断框架,主要研究工作如下:（1）对原始的MRI和PET进行颅骨剥离和配准的预处理,在对MRI进行年龄矫正消除年龄因素影响后,从MRI和PET中的海马体区域提取多张2.5D切片。（2）研究设计了多模态2.5D CNN整合来自MRI和PET切片的多模态信息。针对多模态网络的训练,提出了分支预训练的策略。通过对相应模态的分支进行独立的预训练,来增强多模态2.5D CNN的特征提取能力。（3）基于多张切片的分类结果联合诊断,实现对AD患者、进展型轻度认知障碍（progressive Mild Cognitive Impairment,p MCI）、正常人群（Normal Controls,NC）的分类。实验数据使用阿尔茨海默病神经影像学倡议（Alzheimer’s Disease Neuroimaging Initiative,ADNI）数据集。在AD vs.NC的分类任务中,准确率达到92.89%,相比于单模态网络分别提高3.52%和3.23%。在p MCI vs.NC的分类任务中,准确率达到84.07%,相比于单模态网络分别提高4.61%和4.52%。实验结果表明,多模态2.5D CNN结合分支预训练策略能够有效融合多模态互补信息,取得良好的诊断性能。（4）基于算法模型使用tkinter图形库开发出了一套阿尔茨海默病辅助诊断系统,能够对用户输入的待测图像进行诊断分类,为医生的诊断提供辅助参考。