阿尔茨海默症（Alzheimer’s Disease,AD）,是老年人中常见的一种慢性神经退行性疾病,以含有β-淀粉样蛋白（Amyloid-beta protein,Aβprotein）的细胞外神经炎斑块、过度磷酸化tau蛋白引起的细胞内神经纤维缠结（Neurofibrillary Tangles,NFT）以及神经元丢失为主要病理特征。AD的致病机制尚不明确,寻找AD的特异性生物标志物是AD研究的首要目标。本研究基于磁共振成像（Magnetic Resonance Imaging,MRI）影像数据及其形态学特征,分别利用基于表面的形态学（Surface-Based Morphometry,SBM）方法和脑纹（Brain Print）特征的方法,对AD的大脑皮层和皮层下核团的形态学变化进行综合研究,并利用机器学习的方法对AD、MCI和CN进行分类,以期提高AD诊断精度和稳定性。主要内容如下:（1）对MRI数据预处理以及皮层形态学指标和皮层下核团Brain Print特征提取的研究。采用ADNI数据库的MRI原始数据,使用脑影像数据预处理工具Freesurfer进行数据处理,通过颅骨剥离、灰质白质及脑脊液分割、皮质重建等步骤,得到了由顶点与三角形构成的皮层结构模型,基于此皮层模型与自动分割模板进一步计算每个脑区的6种形态学指标。基于Freesurfer处理后的皮层下核团图像,利用基于拉普拉斯贝尔特拉米算子（Laplace Beltrami operator,LB operator）的Brain Print-python工具提取各皮层下核团的Brain Print特征。（2）对AD患者皮层微结构变化模式的研究。通过置换检验对AD、MCI与CN进行了组间差异的分析,比较6种形态学指标在三组被试间的差异,利用一般线性回归方法构建了AD患者在患病过程中皮层形态学指标的变化模型,用于判别不同形态学指标的变化模式,评估形态学指标对由AD引起的认知衰退的敏感程度。实验结果发现,皮层曲率指标总体呈上升趋势,在认知下降过程中左颞下回、左颞极的曲率指标最早发生变化;高斯曲率指标回归模型的解释程度较高,拟合优良性最好,能够达到与皮质厚度相近的水平。（3）对AD患者皮层下核团微结构变化的研究。利用Brain Print-python方法提取了各下核团组织的Brain Print特征。通过t检验比较被试结构的Brain Print特征分析AD患者下核团组织的形态变化,进一步利用基于机器学习的分类方法,通过比较不同组织特征的分类性能来分析该组织在不同阶段的形态变化,同时对其诊断价值进行评价。研究结果表明,多个皮层下核团组织的Brain Print对AD相关疾病的分类效果很好,AD与CN在左右苍白球上存在显著的Brain Print特征变化,NB最适合用于构建AD分类诊断模型,可以在保证诊断精度的同时加快分类速度。总之,皮层形态学曲率指标对深入理解AD的皮质萎缩机制有重要意义,皮层高斯曲率作为评估AD特异性脑形态变化的指标能够达到与厚度指标相当的效果,皮层高斯曲率指标与皮层下核团的Brain Print特征均能够辅助诊断和判断AD疾病进展。