阿尔茨海默病（Alzheimer’s Disease,AD）是一种渐进发展的常在中老年人群中产生的神经退行性疾病。该疾病往往随着认知能力,包括日常活动、决策能力逐渐丧失,同时也有可能会出现行动不便、失语、失用、失认等社会生活能力的衰退,一旦患者确诊为AD,那么将无法治愈。目前,临床上AD诊断主要是医生通过患者的神经影像（如磁共振成像）和多种量表评分（如简易精神状态检查量表、阿尔茨海默病症评估认知分量表）相结合来判断患者目前疾病严重程度,是处于前期轻度认知障碍（Mild Cognitive Impairment,MCI）还是后期严重的AD状态,然后医生根据诊断对患者进行相应的治疗。但是在实际情况中,医生对患者进行评分量表打分比较耗时,对于依从性较差的患者,评分获取更加困难。随着磁共振成像（Magnetic Resonance Imaging,MRI）、计算机断层扫描等神经影像技术不断应用于AD的早期智能诊断,使用MRI来预测AD患者的临床评分被证明是非常适用的。而多时间点数据可以观察患者脑图信息在不同时间点的变化,从而可以收集到AD较为完整的发展信息以及变化过程中某个时间点的关键信息,更有利于监测疾病发展的情况及临床评分的预测。而之前研究大都是基于单时间点进行分析,因此,本文提出基于多时间点MRI数据进行建模分析,实现临床评分的智能预测,帮助医生对患者进行诊断和及时治疗,减少疾病对患者造成的痛苦和压力。据以上分析,本文提出基于多时间点数据进行联合深度学习的阿尔茨海默病评分预测模型,提出了两种预测模型方案,第一个模型是基础,第二个模型是优化,主要内容如下:第一,本文通过探索磁共振成像中的脑区特征与临床量表之间关系,提出基于多时间点数据的联合深度集成回归的阿尔茨海默病评分预测模型。具体而言:首先,采用组LASSO、相关熵和时间平滑项的联合特征学习方法,以探索在特征和临床评分中的内在关联,进而筛选最具信息性和与疾病相关的特征;然后,将筛选后的特征送入深度多项式网络进行特征编码,挖掘深层次特征;最后,使用支持向量集成回归实现未来时间点的临床评分预测,以此帮助医生对患者病情进行初步预判。第二,本文提出一种新的联合深度学习回归预测方法,基于联合独立循环神经网络（Independently Recurrent Neural Network,Ind RNN）回归预测阿尔茨海默病评分,进一步提高临床评分的预测精度。具体而言,采用组LASSO与相关熵相结合的特征选择方法进行降维,筛选与疾病较为相关的脑区特征;再联合多层Ind RNN去学习不同脑区之间的内在关联以及纵向数据之间的时间关联性,从而对MRI与临床量表之间的关系进行研究分析,建立联合深度学习网络模型,实现未来时间点的临床评分预测,预测患者的临床评分可能值,帮助医生对患者进行早期疾病状况的诊断并及时治疗。综上所述,本文基于多时间点数据进行联合深度学习预测临床评分的研究,分别提出了两种回归预测模型,在评分的预测精度上不断提高,继而实现一个通过MRI数据预测临床评分的模型构建。研究内容主要包括特征选择、回归预测两个关键步骤,广泛的实验被执行以证明所提出的方法在所采集的公共数据集上的有效性。本文使用基线、06月、12月、18月、24月和36月的实际评分去评估提出方法的预测性能。实验结果表明,最终本文提出的联合深度学习方法在预测未来18月、24月和36月的阿尔茨海默病症评估认知分量表获得的平均绝对误差值为3.12、3.84、2.83以及皮尔森相关系数值为0.83、0.81、0.86,大量的实验结果论证了本论文所提出方法的可行性和有效性。