阿尔兹海默病（Alzheimer’s Disease,AD）作为一种神经性退化疾病,正在严重危害着老年人的健康与生活质量。利用计算机对AD影像进行辅助判别有利于减轻医生读片负担,帮助医生快速筛查AD患者,从而尽早进行干预,延缓进程。静息态功能磁共振成像（resting-state functional Magnetic Resonance Image,rs-fMRI）是在受试者进行平躺,且全身放松、脑部清醒的状态下进行的一段时间的信息采集。rs-fMRI数据兼具时间和空间特性,其中既包含了脑部体素的血氧水平依赖性（Blood Oxygenation Level Dependent,BOLD）信号值在采集时间段的变化,同时从空间上也包含了不同脑区在采集过程中的相互作用。本文在分析rs-fMRI数据的时间特性与空间特性的基础上,研究综合利用rs-fMRI数据的时间特性与空间特性的AD辅助诊断模型。主要研究工作包括:（1）rs-fMRI时空特性的分析。针对rs-fMRI的时间特性,本文采用统计方法,对rs-fMRI所含的脑部体素BOLD信号时间序列的最小值、最大值、均值、标准差、均方根、周期性等进行统计;针对rs-fMRI的空间特性,通过将rsfMRI中不同功能脑区及其连接表示为脑网络,对此网络的特征路径长度、全局效率、聚类系数进行统计,为后续的辅助诊断研究奠定基础。（2）融合rs-fMRI时空特性的AD辅助诊断模型研究。长短期记忆网络（Long Short-Term Memory,LSTM）作为时间递归网络被广泛应用于时间序列数据处理,但是无法捕捉rs-fMRI空间特性。为了综合利用rs-fMRI的时空特征,本文提出了一种名为特征加权LSTM（Feature Weighted LSTM,FW-LSTM）的模型。模型通过计算每个大脑区域的连接频率,并将其作为空间特征权重集成到LSTM中。因此,它可以综合模拟rs-fMRI大脑区域的时间和空间变化。在阿尔茨海默病神经影像学倡议（ADNI）数据集上,利用FW-LSTM模型进行AD分类的实验结果表明,FW-LSTM模型的准确度、灵敏度和特异性分别为77.80%、76.41%和78.81%,优于仅使用大脑空间特征的随机森林模型与仅使用大脑区域时间特征的一维卷积神经网络模型和LSTM模型。（3）基于rs-fMRI动态图论特征的AD辅助诊断研究。由滑动窗口方法构建的低阶功能连接,只能捕获到脑区之间的浅层关系,无法得到脑区相关性中的高阶信息。为了更进一步研究rs-fMRI的空间特性的动态时变性对AD辅助诊断的意义,本文提出了基于rs-fMRI动态图论特征的AD辅助诊断研究,通过构建高阶动态功能连接并采用相应的动态图论特征作为分类特征,并使用多中心性支持向量机进行AD的辅助诊断。本文提出的分类方法在准确率、敏感性和特异性上可以达到93.98%,95.56%,92.00%。由实验结果可以验证,本文针对rs-fMRI时空特征所提出的分类方法在AD辅助诊断上的有效性。