阿尔茨海默病通常起病隐匿，病程缓慢且不可逆，临床上以智能损害为主。由于脑细胞损伤和死亡具有不可逆性，而医学界迄今仍未找到能有效治疗该病症的方法，因此阿尔茨海默病的早期诊断和前期预测变得尤为重要。随着神经影像学的发展和成熟，影像技术在脑部病变的辅助诊断中起到了越来越重要的作用。本文针对基于图像信息融合的阿尔茨海默氏症计算机辅助诊断算法问题展开研究。针对MRI或PET单模图像对阿尔茨海默病分类正确率不高的问题，本文提提出一种MRI和PET3D图像信息融合方案，实现与阿尔茨海默病密切相关的脑部区域的准确分割，有助于AD疾病的预防及早期诊断。该方案主要包括：获取研究对象、图像配准、图像信息融合、特征提取和特征分类5个部分。本文所有的数据都来自于ADNI数据库，选取健康个体及患病个体共87个，年龄段分布在60-90岁之间，下载的数据包括个体的PET图像及对应的MRI图像。对于图像配准问题，由于图像配准的质量是决定图像特征数据的完整度及准确性的关键因素，所以使用适当的图像配准方法至关重要。本文在线性配准中使用了仿射变换；在非线性配准中使用了Log-Domain-Demons配准。经过线性变换及非线性变换后的图像在大小、空间位置、方向及纹理细节上都得到了较高的匹配，为后续的分割及特征提取打下了基础。对于图像信息融合问题，由于我们配准的精度较高，因此这里直接采用像素级融合中的加权平均法对MRI和PET3D图像进行融合，即对配准后的MRI图像和同一个体的PET图像的每个体素灰度值加权平均，并对不同权系数的融合结果进行了对比。对于特征提取问题，本文在MRI图像特征采集上，即不计算组织密度值，也不直接使用灰度值，而是利用图像间配准的形变场，形变场对解剖结构差异的描述更直观更准确。在提取PET图像特征时，我们先将其互配准到同一个体的MRI图像上，这样提取出的PET图像特征既反应了脑结构差异，又反应了PET图像本身具有的功能信息，使得对A D病理的分析更加准确。对于AD患者辅助判决分类问题，本文引入了支持向量机的方法。分析了支持向量机的理论基础，介绍了支持向量机的推广能力及核函数的种类。在此基础上用支持向量机对提取的样本特征进行分类，并运用交叉验证的思想对AD患者辅助判决分类的结果进行了评估。综合运用上述方法，在通过理论分析和实验证明下，本文提出的基于图像信息融合的阿尔茨海默氏症计算机辅助诊断算法具有良好的结果。