阿尔茨海默病（Alzheimer’s Disease,AD）是一种进行性神经退行性疾病,起病隐匿,且难以逆转。因此,从神经影像学中发现更精确的生物标记物,对于AD的准确检测至关重要。其中由于磁共振检查具有无创、无辐射等特点,在AD研究中得到了广泛的应用。本文基于静息态功能磁共振成像（functional Magnetic Resonance Imaging,fMRI）的数据构建大脑的时间依赖性和功能连通性网络,从不同角度对AD的病理机制进行研究。复杂网络理论在脑网络等多个领域的数据分析中得到应用,其中对脑网络的研究可以有效挖掘生理信号中的重要信息。本文创新性地将复杂网络的重要分支,可视图（Visibility Graph,VG）应用于静息态fMRI数据中,通过构建时间依赖性脑网络,研究了AD患者脑区的潜在动力学。首先利用VG方法将单个脑区的时间序列映射到网络中,得到单通道局部复杂网络,通过对该网络提取拓扑特征来表征原始时间序列的动力学特性。本文通过对单通道局部复杂网络拓扑异常的探索,发现了一些异常脑区,包括左岛叶、右后扣带回和其他皮质区域。在此基础上,将最具有显著性差异的拓扑特征作为判别特征,输入支持向量机进行分类,并取得了很好的分类效果。本文进一步提取序列间的同步性构建并分析多通道的功能连接性脑网络,创新性的结合多层可视图和神经网络的方法来辨识受试者在不同状态下的fMRI信号。首先根据VG的度序列计算不同脑区之间的相关性来构建多通道功能连接性脑网络,分别利用长短期记忆网络模型和卷积神经网络模型提取出所建脑网络的特征进行分类,得到了 75.71%和85.71%的准确率。最后通过提取全脑功能网络拓扑特征来分析和讨论AD异常脑区,并结合单通道局部网络和全脑功能连接网络进行分析。分析结果表明,岛盖部额下回、右枕中回、右顶叶上回、右楔前叶在AD发病中起重要作用。这些结果有助于揭示AD疾病发病的病理机制。最后,基于上述研究和其他有关AD的研究发现这些异常脑区绝大部分位于默认模式网络内,于是我们利用基于数据驱动的独立成分分析方法来对AD的默认模式网络进行进一步的研究,通过对默认模式网络成分进行双样本t检验确定异常感兴趣区域（Region of Interest,ROI）,然后提取出每个确定的ROI的时间序列,利用多层可视图的方法构建ROI间功能连接网络,对AD组和正常对照组的脑区间连通性的显著性差异做讨论,为AD的临床治疗提供更为详细的理论基础。