阿尔茨海默症（Alzheimer’s Disease,AD）是一种不可逆的神经退行性疾病,俗称老年痴呆,患者群体主要是老年人。轻度认知障碍（Mild Cognitive Impairment,MCI）是阿尔茨海默症患者早期的病理状态。传统的诊断方法对医生要求较高,误诊率也相对较高,易导致患者错过最佳治疗时间,及时准确地诊断对缓解AD和MCI患者病情具有重要的临床意义。磁共振成像（Magnetic Resonance Imaging,MRI）技术对脑部结构变化具备较强的成像能力,深度迁移学习的飞速发展为AD分类指明了新的方向。本文通过深度迁移学习与MRI图像对AD、MCI和正常人（Normal Control,NC）进行准确地分类。主要工作如下:1.随机白块数据增强（Random White Square,RS）算法与基于深度迁移学习的MRI图像AD分类方法针对目前基于深度学习的AD分类模型较为复杂的问题,本文以轻量化网络Mobilenet V2为基础设计网络模型,在保证较高分类准确性的同时,以较少参数量与计算量完成了分类任务。针对深度学习模型需要大量数据训练与患者图像较难获取的问题,本文提出RS算法,将2DMRI图像局部特征遮挡,扩增数据集,并与提出的两种深度迁移学习分类模型TLV2（Transfer Learning MobileNetV2,TLV2）、TLV2C（TLV2Classifier,TLV2C）结合。其中,TLV2是MobileNetV2在Image Net数据集训练之后,固定浅层网络,初始化深层网络,重新在MRI数据集下训练得到的。TLV2C在TLV2的基础上重新设计了分类器。实验结果表明,本文提出的RS算法结合TLV2、TLV2C深度迁移学习模型,解决了MRI数据不充足的问题,同时在一定程度上解决了MCI患者特征较难提取与学习的问题。最终TLV2在ADvs.NC与MCIvs.NC的分类任务中取得的准确率分别是88.12%,76.51%。TLV2C取得的准确率分别是90.25%,78.92%。2.基于注意力机制与深度迁移学习模型的MRI图像AD分类方法针对MRI图像上存在的不相关信息对分类造成干扰且MCI特征不易提取的问题。本文提出了一个双通道注意力模块,引导网络聚焦于分类任务相关的特征区域,在TLV2C的基础上,搭建了一个基于双通道注意力机制和TLV2C（TLV2C Dual Attention Net,V2AN）的AD分类模型。同时在双通道注意力模块的基础上,提出了一个空洞卷积—空间金字塔池化（Dilated Convolution-Spatial Pyramid Pooling,DC-SPP）双通道注意力模块,搭建了DC-SPP双通道注意力机制的AD分类模型（DC-SPP V2AN）,通过空洞卷积与空间金字塔,网络可以输出特征表达能力更优的特征图。最终在ADvs.NC与MCIvs.NC的分类任务中,V2AN取得的准确率分别是92.49%,80.27%。DC-SPP V2AN取得的准确率分别是93.58%,82.04%。本文提出了RS算法和多种基于深度迁移学习的AD分类模型。通过大量实验,分析对比了不同数据扩增算法与网络结构对AD分类的影响,并与其他文献中的方法进行对比,验证了本文方法的有效性与进步性。