阿尔茨海默病是一种起病隐匿、进行性发展的神经系统退行性疾病。该病主要分布在60岁以上老年人群体中。随着老龄化社会的到来,将会有越来越多的老年人遭受该病的折磨。研究发现,痴呆症早期的异常脑萎缩与健康脑萎缩非常相似,因此对于轻度认知障碍阶段的诊断就显得尤为重要。s MRI可以检测出脑萎缩引起的结构变化,因而被广泛使用在痴呆等神经退行性疾病的计算机辅助诊断中。近年来,对于可以考虑区域之间相互关系的机器学习方法已成为一种大受欢迎的计算机辅助诊断技术,并且已普遍应用于神经精神类疾病的自动诊断和分析中。本文研究了基于卷积神经网络的AD分类算法,具体工作如下:第一,提出了一种基于特征重构和卷积神经网络的阿尔茨海默病分类算法。该算法将人工提取特征重构为二维矩阵,并馈入到在源域上预训练好的CNN模型中进行学习。具体来说,首先将人工提取的灰质体积数据作为源数据,利用特征重排算法构造特征重排矩阵;同时搭建一个浅层的卷积神经网络,在SVHN数据集上对其进行预训练,根据预训练图像的大小,对矩阵进行裁剪和翻转,以适应CNN的输入和扩充数据集;最后将提出的方法在重排矩阵数据集上进行评估,在AD/NC分类任务中得到了90.2%的正确率,在p MCI/s MCI分类任务中得到了79.1%的正确率。第二,提出了一种基于迁移学习和密集连接网络的阿尔茨海默病分类算法。首先,对于s MRI采用高斯滤波器进行图像增强,以减少噪点,纠正几何变形。然后,根据阈值和形态学操作去除多余的组织,利用HEICA进行灰质图像分割。对于每位受试者的s MRI切片,利用图像熵选择前32张,以减少冗余信息的输入。使用在Image Net上预训练的Dense Net-BC作为网络架构,来训练磁共振图像。最后将提出的方法在ADNI数据集上进行验证,在AD/NC、AD/MCI、NC/MCI以及AD/NC/MCI四个分类任务中分别获得了96.43%、90.57%、91.21%和85.46%的正确率。本文提出了两个基于卷积神经网络的AD分类算法,解决了人工提取s MRI特征与卷积神经网络联合应用的问题,以及脑组织分割紧凑性强、医学图像小样本性等问题,提高了阿尔茨海默病不同阶段的分类准确性。