阿尔兹海默症（Alzheimer’s Disease）是一种常见的神经退行性疾病,高发于65岁以上的老年群体。随着社会经济与医疗的快速发展,全球人口都呈现出了老龄化趋势,阿尔兹海默症对人类健康的威胁也愈发明显。为了尽早找出有效诊断与治疗阿尔兹海默症的方法,许多相关研究人员在不同领域为之努力,其中在阿尔兹海默症初期做出诊断然后进行干预治疗是目前研究的重要方向之一。结构磁共振成像是临床医生对阿尔兹海默症患者做出诊断的重要依据,而随着机器学习与深度学习在图像分割、图像识别与图像分类方向的不断发展与广泛应用,国内外已有不少研究人员致力于使用深度学习算法来对阿尔兹海默症的结构磁共振图像进行分类。结合分类算法可以帮助临床医生更快、更准确地诊断阿尔兹海默症,从而尽早对阿尔兹海默症患者进行干预治疗。本文希望在现有研究的基础上提升基于结构磁共振成像的阿尔兹海默症分类准确率,帮助临床医生尽早识别、诊断阿尔兹海默症。主要研究内容是从一维脑网络属性、二维灰质体素图像、三维灰质图像三个层面的特征出发,结合机器学习与深度学习算法对阿尔兹海默症、轻度认知障碍、认知正常三组被试进行两两二分类与三分类。本文的数据来自ADNI数据库,包括276个认知正常被试、240个轻度认知障碍与276个阿尔兹海默症患者,使用的方法主要有基于DTW算法构建个体化脑网络,使用KNN、SVM、DT、RF四种算法基于脑网络属性对阿尔兹海默症进行二分类与三分类;将三维结构磁共振图像转化为二维灰质体素图片,使用2D CNN与迁移学习（VGG19、Inception V3、Res Net50）算法基于灰质体素图片对阿尔兹海默症进行二分类与三分类;使用3D CNN与3D Res Net-18基于灰质图像对阿尔兹海默症进行三分类。二分类结果中,基于二维灰质体素图片使用2D CNN进行分类的准确率最高,AD vs CN组、MCI vs CN组、AD vs MCI组通过十折交叉验证的CNN分类准确率均值分别为99.1%、96.7%、93.8%;三分类结果中,基于一维脑网络属性使用随机森林算法进行分类的准确率最高,十折交叉验证的验证集准确率均值为94.5%。本文为了提高分类准确率,一方面,将DTW算法应用于个体化脑网络的构建,然后使用GRETNA软件分析得到脑网络属性用于机器学习分类,达到94.5%的三分类准确率。另一方面,提取全脑灰质体素值,将s MRI转换为234*234的灰质体素图像,既保留了全脑特征又降低了维度与单个样本的大小,大大减少了运行时间与计算成本,达到93.7%的三分类准确率。这两种分类方法都取得了不错的效果,可以为之后的阿尔兹海默症早期分类研究提供新思路。