阿尔茨海默症（Alzheimer’s disease,AD）是一种常见于老年的神经退行性疾病,脑电图（Electroencephalogram,EEG）是一种无侵入性、时间分辨率高、易获取的神经成像手段,且EEG信号与脑功能密切相关。通过EEG分析可以获得脑功能疾病的特征,然而由于没有利用EEG信号的完整特征实现AD解码,EEG和AD特征之间的联系无法得到明确的刻画,因此本文提出将利用EEG的潜在变量与机器学习相结合方法提取AD特征。首先,本文利用主成分分析方法对EEG进行降维,获取AD的低维信号能量特征。设计电生理实验,采集AD患者和对照组EEG数据,提取低维信号中不同子频带的能量特征,结合线性分类器实现AD识别。结果表明低维空间内AD患者大脑主要活动频带由高频向低频转移,同时利用低维信号的theta子频带能量特征可达到89.02%的识别准确率。其次,本文利用变分自编码器（Variational auto-encoder,VAE）对EEG进行建模,获取了EEG的潜在变量特征作为AD特征。分析发现VAE模型对EEG具有稳定的重建能力,同时相较于线性分类器,利用模糊分类器对潜在变量的子频带能量特征分类的性能更优,以4个频带的能量特征组合作为模型输入,识别准确率可以达到98.10%。最后,本文采用加权可视图（Weighted visibility graph,WVG）分别构建EEG和潜在变量独立成分的复杂网络,利用TSK实现网络特征的模糊识别。结果发现AD与正常人在WVG网络结构上存在显著差异,同时利用潜在变量构建的WVG网络进行AD识别效果更佳,所需特征数量更少,识别精度可达98.12%。本文采用应用线性降维、自动编码以及复杂网络等方法获取了EEG的潜在特征,并结合机器学习实现了基于潜在变量分析的AD脑电特征识别,为AD研究提供了医学上的新思路。