我国人口老龄化问题日益加剧,对高发性老年病的研究迫在眉睫。阿尔兹海默症(Alzheimer Disease,AD)以其前期症状难以察觉、后期难以有效诊治等特征,让众多病人深受其害。目前临床AD的病程可以主要分为前期认知障碍阶段(Amnestic Mild Cognitive Impairment,aMCI)和AD严重痴呆阶段,并有研究表明,aMCI阶段患者情景记忆功能已有明显异常。目前,对AD的疾病描述还不够全面客观,各个研究组学之间的衔接度不够高。本文旨在提出一种融合影像组学和临床组学的研究方法,为AD提供高精度、低成本的辅助诊疗手段。磁共振成像技术(Magnetic Resonance Image,MRI)因为对人脑的低损伤,成为了临床上辅助诊疗AD的重要手段。本文采用了弥散张量成像技术(Diffusion Tensor Image,DTI),依据其原理对AD患者以及正常老年人(Normal Control,NC)的大脑进行了全脑纤维追踪,并且借助模板对个体大脑进行分区,然后生成神经纤维网络。为了对神经纤维网络进行量化分析,引入了数学问题中的图论学。而临床组学的研究,主要为临床心理评估量表,针对情景记忆功能,选择听觉词语学习测验(Auditory Verbal Learning Test,AVLT)。本文分别从影像和临床两个方面分别进行研究,在此基础上建立两者之间的联系。基于神经纤维网络提取AD、aMCI、NC三组被试情景记忆靶点脑区的影像参数,并进行了不同组间的差异性分析,提取针对不同病程的影像特征;之后将特征参数与AVLT量表分数进行相关度量化分析,分析结果表明两者之间存在相关性,这为接下来构建辅助诊疗模型提供了理论依据。为了显著提高AD疾病的诊断效率,降低疾病诊断成本,利用机器学习领域相关知识构建了一套兼顾可靠性与易用性的AD疾病辅助诊疗模型。考虑到精确度问题,提出了一种全新的基于Stacking框架的融合回归算法模型,实验结果表明该模型能够有效的利用相关影像参数预测出AVLT量表分数,从而可以实现疾病的辅助诊疗,并且降低诊断成本,提高诊断效率。综上,本文构建了脑神经纤维网络并对其进行量化分析,深度挖掘与AD病程相关的影像特征,之后与临床特征进行相关性研究,提出了一个兼顾准确性与易用性的临床特征预测模型,这对提升AD疾病的诊断效率以及进一步探索AD的诊疗方式具有十分重要的意义。