成像技术的逐渐成熟使得医学图像在辅助诊断中的作用越来越大。在各种类型的医学图像中,磁共振影像以其可构建三维视图、成像清晰的特点被广泛用于疾病诊断中。近年来,阿兹海默症成为高发的疾病之一,针对该病的临床影像诊断变得愈加重要。其中,结构性磁共振影像因能清晰呈现脑部组织结构变化等特点被用于阿兹海默症的诊断中,以帮助医生确定治疗方案和预后评估。然而人工诊断结构性磁共振影像费时费力,因此,针对结构性磁共振影像的辅助诊断具有重要的应用价值。但是在临床中,结构性磁共振影像体素高、样本量少,有些甚至没有标签,这使得用机器学习方法对结构性磁共振影像分类变得困难。因此,为解决对数据量少并且没有标签的结构性磁共振影像分类的问题,本文在磁共振影像分类中引入了迁移学习中的域适应方法。域适应是迁移学习中解决目标域缺少标签问题的方法。本文主要研究了基于Wasserstein距离的深度域适应方法和结合编码器与对抗原理的深度域适应方法。本文主要的贡献在以下两个方面。(1)论文提出了基于Wasserstein距离的深度域适应分类模型。该模型在分类模型的基础上加入了自适应层,通过自适应层计算Wasserstein距离来缩小两个域特征分布之间的差距,减小域偏移现象,从而使模型从源域分类任务迁移到目标域分类任务上。该模型在ADNI和OASIS两个数据集上进行了迁移并做了分类测试。实验结果表明,本文所提出的基于Wasserstein距离的深度域适应分类模型优于其他域适应方法。(2)论文提出了结合编码器和对抗原理的深度域适应分类模型。首先,我们利用源域数据训练一个自动编码器,然后我们将编码器作为基于对抗原理模型的特征提取器(替换生成器),与分类器和梯度反转层及判别器组成最终的模型,最后,在分类器对源域数据进行分类的同时让判别器对数据进行域判别,即判别数据来自源域还是目标域,通过使模型在正确分类的同时无法判别数据来自哪个域,从而使模型学习到两域的共同特征,最终完成在目标域上的分类任务。该模型也在ADNI和OASIS数据集上进行了正常人和病人的分类测试,实验结果表明,本文所提出的结合编码器和对抗原理的深度域适应分类模型优于其他域适应方法。