阿尔茨海默病(AD)是60岁以上老年人患病率最高的疾病,轻度认知障碍(MCI)是AD的早期阶段,具有高转化为AD的风险,分为转化型MCI(cMCI)和稳定型MCI(sMCI)。支持向量机(Support vector machine,SVM)能够用于分类识别,然而模型参数的选择对其分类结果具有较大影响。因此,本文以结构磁共振成像(MRI)数据为基础结合优化理论,提出基于优化SVM的AD早期分类算法,具体工作如下:首先,提出了一种基于嵌套CV-SVM模型的阿尔茨海默病综合诊断算法,全面识别AD和其早期阶段MCI的六种分类任务。通过高斯径向基(RBF)核函数建立非线性支持向量机分类器,并与嵌套交叉验证(CV)相结合,使内层嵌套选择最优参数。执行分类任务前,需要对MRI图像进行预处理,提取ROI的灰质体积(GMV)特征作为分类标志物。结果显示六种任务取得了较好的分类效果,其中sMCI和cMCI组的获得了77.79%准确率,比基本的SVM提高了11.42%,与DT和KNN分类器相比,分别提高了14.57%和12.88%。其次,提出了一种基于AMPSO-SVM模型的阿尔茨海默病早期诊断算法,主要任务是从AD患者、sMCI患者和健康对照(NC)三组人群中识别cMCI患者。每次迭代运算,利用种群的适应度方差和当前最优适应度值动态地确定变异概率,当概率小于随机数时执行变异操作,通过重新初始化帮助粒子跳出当前搜索位置,避免传统粒子群(PSO)算法的局部最优问题。然后运用改进的自适应变异PSO(AMPSO)算法对SVM的正则化参数和核参数进行优化,解决SVM模型的参数选择问题。实验结果显示AD和NC组的分类效果最好,其次是cMCI和NC组。sMCI和cMCI组准确率为81.32%,与基本SVM、CV-SVM和PSO-SVM相比分别提高14.96%、3.54%和3.04%;与基本SVM相比,cMCI-NC、cMCI-AD和AD-NC三组的准确率提高12.11%、13.94%和10.87%。最后,提出了一种基于HSCAPSO-SVM模型的轻度认知障碍诊断算法,主要对MCI转化者和非转化者行识别。充分利用正余弦算法(SCA)的全局搜索性能和PSO局部收敛速度快的优势进行协同搜索,弥补PSO后期全局寻优能力差以及SCA局部收敛慢的不足。每次迭代,选取最佳的前N2粒子分别用于SCA和PSO,之后将两个种群合并,重复执行,较大程度的提高寻找全局最优解的可能。使用SCA和PSO混合算法(HSCAPSO)优化SVM参数,并对ADNI数据集上MCI患者进行预测。实验结果显示sMCI和cMCI组的预测结果获得了83.61%的准确率和0.8695的AUC值,通过与基本SVM、LapSVM、LinSVM、CV-SVM和PSO-SVM进行比较,发现本文方法在各个性能指标上均取得优异的表现,提高了SVM模型在MCI转化预测中的分类性能。