当前,利用计算机视觉分类算法辅助医生诊断阿尔兹海默症已经成为较高效的诊断方式。对于阿尔兹海默症病灶分类任务而言,最具有挑战的是在大脑类别下精准区分患者MRI与正常衰老MRI之间的差异。一般地,在区分一些具有类间距离小类内距离大的特点的图像时,通过细粒度算法可以捕获到这些图像之间的细微差异,使得模型在某一大类下找到各个子类中具有区分性的区域。因此,有研究者发现将该算法运用在医学图像识别任务中可一定程度上提升分类精度。但是,在阿尔兹海默症病灶分类场景中运用细粒度算法进行病灶分类时,仍存在以下问题。首先,该算法在处理三维MRI医学图像时,需要通过分块方式细化特征粒度,但这种分块操作会破坏MRI图像中各个组织区域原有的位置信息,从而降低特征的位置表征性。其次,现有细粒度特征编码器所生成特征图过于冗余,从而增大了计算资源的开销。针对上述问题,本文将从以下具体工作进行展开:（1）针对现有细粒度模型丢失原有位置特征信息的问题,本文结合Rep VGG网络提出一种细粒度模型,名为3DRep Trans Net,对阿尔兹海默症MRI图像进行特征分类。该模型主要分为低级特征编码模块以及高级特征编码模块两个部分。其中低级特征编码模块是通过堆叠3DRep Block以提取位置特征信息。而高级特征编码模块是搭建细粒度特征提取模块获取语义编码信息。结合两种编码模块输出的特征信息,可以快速构建起各个分块原有的位置关联,可以更好地筛选出具有判别性病灶区域。（2）针对特征图过于冗余的问题,本文在低级特征编码器中嵌入轻量级多尺度模块Channel Enhanced Ghost Block（CEGhost Block）,通过生成伪特征图替代原有冗余的特征图来降低模型参数量。同时本文结合自监督学习策略,扩大高维样本空间中的特征之间的距离,通过这种方式让模型预先获得特征之间语义差异性,将其转换为特征权重形成预训练模型,为下游任务提供先验知识。本文在ADNI数据集以及AIBL数据集上都进行了实验,使用准确率、召回率、精准度以及AUC评价指标来客观评价模型分类病灶特征的性能。与现有的方法相比,本文提出的轻量级阿尔兹海默症病灶细粒度分类算法可以很好地保留萎缩病变区域信息,通过热力图可视化等模型可解释性手段观察得到后扣带皮层以及海马体区域可以更好地被我们提出的模型所关注到。最终在ADNI数据集中准确率可达到91.2%,敏感度可达到90.6%,特异度可到达89.7%,AUC值可达到92.6%。