阿尔茨海默病（Alzheimer’s Disease,AD）是一种慢性神经退行性疾病,通常表现为认知功能减退.该病多发于老年期,起病缓慢,发病前一般无明显症状.为了从繁杂的影像数据中获取有用信息,机器学习的相关理论和方法已经应用到AD的预测诊断之中.轻度认知障碍（Mild Cognitive Impairment,MCI）具有发展成为AD的高度风险,预测MCI是早期发现AD的关键.本文基于单模态和多模态磁共振影像数据,结合统计学、神经科学与机器学习,研究不同的分类器模型和特征提取对AD分类预测的影响,以期为AD的早期识别诊断提供神经影像学理论依据.论文的主要研究内容和结论如下:1.基于结构磁功能影像（structural Magnetic Resonance Imaging,sMRI）数据的AD病程分类研究.首先通过假设检验提取灰质体积和偏侧化指数两种分类特征,然后利用具有RBF核、Linear核及Polynomial核的支持向量机（Support Vector Machine,SVM）分类器（分别记为 RBF-SVM、Linear-SVM 与 Polynomial-SVM）、随机森林（Random Forest,RF）和决策树（Decision Tree,DT）五种分类器模型,实现正常对照组（Nomal Control,NC）、早期轻度认知障碍（Early MCI,EMCI）、晚期轻度认知障碍（Late MCI,LMCI）和AD四组受试者之间的两两分类预测.主要结果如下:1)对于不同的分类器模型,AD-NC组的分类准确率相对比较稳定,而且AD-NC组的分类准确率总是最高,最高达到98.0909%.2)对于不同的受试组,Polynomial-SVM模型不但相对比较稳定而且分类准确率相对较高;而DT模型的分类器准确率不但波动相对较大而且分类准确率相对较低.3)偏侧化指数特征的引入使得不同分类模型下大多数受试组的分类准确率得到提升,最高提升5.6364%.这些结果意味着受试对象、分类器模型以及特征选择都影响分类准确率,偏侧化指数特征在一定程度上有助于AD的预测研究.2.基于多模态信息融合和MMSE评分的阿尔茨海默病分类研究.结合功能磁功能影像（functional MRI,fMRI）数据、sMRI数据和临床特征简易智力状态检查量表（Mini-mental State Examination,MMSE）评分,分别通过假设检验和Fisher评分提取灰质体积、局部一致性（Regional Homogeneity,ReHo）、低频振幅（Amplitude of low-frequency fluctuations,ALFF）与脑网络属性等特征,利用 RBF-SVM、Linear-SVM 及 Sigmoid-SVM（具有 Sigmoid 核的 SVM 分类器）、RF、K 最近邻（K-Nearest Neighbor,KNN）和朴素贝叶斯（Naive Bayes,NB）六种分类器模型,探讨多模态信息融合及临床特征对AD-NC的分类准确率的影响.研究结果表明:1)相对于单模态实验结果,基于假设检验和Fisher评分提取特征所进行的分类实验,都能够有效地提高AD预测准确率.2)临床特征MMSE评分的引入,能够进一步提升AD预测准确率.3)基于Fisher评分提取特征的实验,能够实现在较少的特征下达到较高的分类准确率.这些结果揭示了多模态磁共振影像数据和MMSE评分方法对提高AD预测结果的重要作用.