阿尔茨海默症(Alzheimer’s Disease,AD)由于发病隐匿、治疗手段稀少,居于社会疾病负担之首。了解AD患者的脑区状态对认识疾病原理、预防病情发展极为重要。目前,常用的脑分区模板如AAL分区、BA分区是根据细胞的解剖结构划分的,用其进行脑功能分析缺乏功能特异性描述,会带来一些误差甚至错误结论,而脑功能分区可避免以上问题。静息态功能磁共振成像(resting-state functional Magnetic Resonance Imaging,rs-fMRI)能够揭示大脑的自发活动规律和连接模式,是研究AD脑区状态的主要成像方式。将脑按层级进行功能分区实质上属于脑体素的层次聚类问题,BIRCH算法是一种基于距离的凝聚型层次聚类方法,适用于具有较大数据量的rs-fMRI数据,而且时间复杂度低,占用内存少。因此,本文提出基于改进BIRCH算法的AD患者rs-fMRI数据的脑功能分区方法,该算法的核心是聚类特征树(CF-Tree)的构建。BIRCH算法CF-Tree的构建由分支因子B和阈值T两个重要参数决定,B决定树的高度和大小,T控制聚类簇的边界。因此,本文对算法的重要参数进行分析,提出基于cophenet相关系数的BIRCH参数确定方法,根据聚类后评价指标cophenet相关系数的值衡量聚类结果与实际情况的相符程度,从而寻找适合rs-fMRI数据聚类的合理参数值。依据原BIRCH算法中的簇半径距离聚类会使得rs-fMRI数据聚类时功能一致但相距较远的体素无法聚为一类,因此,本文提出基于空间密度可调节距离改进BIRCH算法(Space Density Adjustable Distance BIRCH,SDAD-BIRCH)的rs-fMRI数据脑功能分区方法,该方法避免了仅考虑从样本点到聚类中心的平均距离作为相似性测度的局限性,将密度集可调节距离作为算法中的新测度。实验结果表明,基于cophenet相关系数确定BIRCH算法中参数的最优值,能够减少CF-Tree的重构次数,得到聚类效果较好的CF-Tree且可以查看rs-fMRI数据不同层次的分区结果。基于空间密度可调节距离改进的BIRCH算法与原BIRCH算法、基于离差平方和改进的BIRCH以及基于加权相似性改进的BIRCH相比,聚类评价指标明显提高,说明本文改进的算法适合AD患者rs-fMRI数据聚类,能够得到较为合理的脑功能分区。