随着全球人口老龄化程度的加剧,阿尔茨海默症（AD）成为了一种常见于老年人群中的不可逆的神经系统退行性疾病,其给患者家庭和社会带来了沉重的经济负担。轻度认知障碍（MCI）是介于AD和认知正常的老年人（CN）之间的一种中间状态。研究发现,及时对处于MCI阶段的患者进行治疗可以最大限度地延缓或防止其发展为AD。因此,研发准确区分AD、MCI和CN的方法具有重要的临床和社会意义。随着医学影像技术的不断更新,结构磁共振成像（s MRI）、弥散张量成像（DTI）、功能磁共振成像（f MRI）和正电子发射计算机断层显像（PET）等脑影像已被广泛应用于AD的临床诊断和检测。然而直接查看脑影像对疾病进行诊断的方法对于临床医生可能非常耗时且存在着较大的主观性。此外,有些脑影像的特征对于人类视觉而言并不明显,以至于临床医生并不能直接对这些特征进行观察。随着互联网时代的到来,各种基于自然图像的图像处理及分析技术得到飞速发展,研究人员开始将其应用于脑影像的特征提取。然而,由于脑影像特有的复杂性,大部分基于自然图像的图像处理及分析方法往往很难在脑影像中取得令人满意的效果。本文重点对s MRI图像和PET图像的特征提取技术进行研究,结合传统的机器学习以及深度学习技术,构建分类模型框架,并将其应用于AD的二分类以及多分类任务上。主要研究内容及其结果如下:（1）针对sMRI图像中使用基于体素的方法提取的特征通常具有很高的维度使得其在分类任务中存在着潜在的过拟合问题,提出了一种新的基于等距离圆环形状上下文（EDRSC）的特征提取方法对s MRI图像进行特征提取,并将其应用于AD的分类研究。首先,对s MRI图像进行感兴趣区域提取;其次,计算感兴趣区域所有切片的信息熵以选取所需的二维图像;接着,利用视觉注意力模型检测感兴趣区域二维图像的显著性图,并用边缘检测算子进行形状轮廓检测;然后,通过等距圆环对显著性图的形状轮廓进行分割进而提取其形状上下文特征;最后,利用支持向量机（SVM）分类器构建分类模型。使用阿尔茨海默病神经影像计划（ADNI）数据集上的AD受试者、MCI受试者和CN受试者的s MRI图像进行了分类实验。结果表明,在二分类任务中,使用s MRI图像的EDRSC特征进行分类与现有的灰质体积、皮层厚度以及复杂度等特征相比能取得更高的分类准确率,其中在AD和CN分类以及AD和MCI分类中的准确率均大于93%。（2）针对轻量级深度学习网络-主成分分析网络（PCANet）存在的数据依赖和“维度灾难”问题,设计了一种非负矩阵分解-张量分解网络（NMF-TDNet）并将其应用于对三维s MRI图像进行特征提取,结合SVM分类器,提出了一种基于s MRI图像轻量级深度学习网络特征的AD分类方法。以ADNI数据集中的三维s MRI图像为实验对象,实验结果表明NMF-TDNet方法可以降低数据的维度（得到的特征只有几百个维度,远远低于PCANet方法得到的几万个维度）,从而降低存储成本和提高计算效率。同时,在二分类任务实验中的结果表明使用NMF-TDNet方法提取的特征进行分类比使用PCANet方法提取的特征进行分类获得了更好的分类性能,其分类准确率至少提高了15.03%。（3）考虑到不同模态的图像可以为AD的分类诊断提供不同的信息以提高AD的分类准确率,提出了一种结合三维离散小波变换（3D-DWT）和三维不变矩（3D-MIs）对三维s MRI图像以及PET图像进行特征提取的方法,并将这些特征作为神经网络的输入构建分类模型。首先,使用自动化解剖标记（AAL）脑图谱来分别识别三维s MRI图像和三维PET图像的感兴趣大脑区域。接着使用3D-DWT方法对每个感兴趣大脑区域进行一级分解以获得其近似分量,并使用3D-MIs方法量化近似分量的形状特征和空间特征。最后,使用包含两个隐藏层和一个Softmax分类器的堆叠自编码（SAE）网络构建分类模型。在ADNI数据集上进行八组二分类任务实验,结果表明所提出方法能很好地将AD从MCI和CN中区分出来,其分类准确率分别为84.29%和96.92%。（4）针对现有的不同模态图像的特征融合方法存在的从单一模态图像中独立提取特征,然后简单地将其串联成一个长向量用于分类而没有适当考虑不同模态图像之间的相关性的问题,提出了一种基于多模态图像脑网络和四元卷积神经网络（QCNN）对AD进行分类诊断的方法。具体来说,首先根据AAL脑图谱将不同模态的图像进行脑区划分构建不同的脑网络,接着将不同的脑网络合成四元数脑网络矩阵,最后将四元数脑网络矩阵输入QCNN进行训练对AD进行分类。在ADNI数据集上的实验结果表明,所提出方法将不同模态图像的脑网络组成四元数矩阵能更好地整合不同模态图像之间的信息,在四组二分类任务和两组多分类任务上均取得了较好的分类结果,尤其是在pMCI和sMCI分类任务中,分类准确率达到了89.74%。