阿尔茨海默病（Alzheimer’s Disease,AD）是导致老年人死亡的最主要原因之一。其早期阶段为轻度认知障碍（Mild Cognitive Impairment,MCI）,主要表现为记忆减退,判断能力下降等。发展到AD阶段则表现为记忆严重受损,情感变得急躁等,甚至日常生活不能自理。该病危害严重,不仅给患者带来巨大痛苦,也给家庭和社会医疗带来巨大负担。目前AD尚无法治愈,对该病的预防和早期干预成为攻克该病的主要手段和目标。因此若能在早期识别出MCI患者,并能有效识别MCI患者是否会进一步向AD阶段转化,将有助于患者尽早接受治疗,提高诊疗效果。针对该病的早期计算机辅助诊断（Computer Aided Diagnosis,CAD）研究一般使用单模态数据进行分析,但阿尔茨海默病起病隐匿,单一模态的数据无法提供准确的病灶信息。并且每种模态都有各自的优缺点,仅使用单模态数据会忽略模态间的互补信息。因此使用单模态数据分类对AD阶段的分类有一定的效果但对病程早期阶段的识别准确率不高。随着医疗技术和计算机技术的发展,基于多模态数据的辅助诊断获得了越来越广泛的关注,也表现出了优于单模态的分类识别效果。为充分利用多模态数据,提高AD及MCI阶段的识别效果,本文研究了两个基于多模态数据学习的阿尔茨海默病智能诊断方法。所做的两个工作如下:（1）第一个工作研究了一种基于多模态超图卷积的阿尔茨海默病分类方法。该方法首先将每个受试者视为一个节点,利用KNN策略在受试者的每个模态上建立超图,构造初始多模态特征。然后使用超图卷积网络再从中提取维度小、辨识度高的多模态高阶深度特征。最后使用多视角模糊分类器对上游提取的多模态深度特征进行综合分类。实验研究表明,该方法在AD阶段的分类任务中,其分类结果可以与已有方法相媲美。在MCI阶段的分类任务中,其结果有显著提升。（2）第二个工作研究了一种兼顾个性特征和融合特征的阿尔茨海默病分类方法。在第一个工作的基础上,增加了融合特征作为新的视角。将上一工作中使用超图卷积方法提取的深度特征作为个性特征,然后将使用低秩多模态融合方法融合的原始特征视作融合特征,最后在多视角模糊分类器中综合利用个性特征和融合特征进行训练和综合决策。该方法既保留了每个模态的独立性信息,又兼顾了不同模态间的相关信息。实验表明,增加融合特征后,在AD阶段和MCI阶段的分类任务中,分类结果均有所提高,而且使用低秩多模态融合方法融合的特征比使用简单拼接方法融合的特征分类效果更好。总体而言,本文针对阿尔茨海默病诊断所研究的两种新的多模态学习方法,较之已有方法展现了一定的优势,具有较好的潜在应用价值。同时,本文所提方法也能为后续研究提供重要的参考和借鉴。