脑疾病严重威胁着人类的健康，脑疾病的早期诊断对疾病治疗以及相关药物的研究，都具有十分重要的意义。利用磁共振结构图像，提取脑结构相关特征，建立更为准确的分类模型，辅助医疗诊断成为当前研究的热点。传统的磁共振结构图像分类算法，多基于图像的底层特征，如灰白质密度、脑区容积、皮层厚度和形状特征等。　　然而，这些底层特征具有一定的局限性:　　1）底层特征的精确提取依赖于样本脑图像间的配准结果，由于缺乏金标准，配准结果难以评估，容易造成误配准。　　2)一些结构差异容易在配准过程中被消除。为了解决上述问题，本文基于词袋模型、局部特征融合和自编码神经网络，提出了三种磁共振结构图像分类算法，包括基于多级分区词袋模型的脑疾病识别方法、两阶段局部特征融合的脑疾病识别算法和基于三维自编码神经网络的脑疾病识别方法。本文的创新性研究工作主要有:　　(1)词袋模型是一种有效的图像表示方法，针对词袋模型缺乏对特征位置信息的有效利用，本文提出了基于多级分区词袋模型的脑疾病识别方法。本方法基于标准脑模板，采用多级脑分区划分，构建各等级分区词袋，进而建立各等级词袋直方图对图像进行表示，利用分类器集成方法对测试样本分类。本方法旨在利用不同尺度的特征分布构造词袋，进行磁共振图像分类和个体属性判定。在标准数据集OASIS上的实验结果表明:相比于不分区，多级脑分区能够综合各脑分区的特征分布信息，建立更为有效的分类模型，在正确率、精确度、敏感性和特异性四个指标都体现了相对优势。　　(2)针对底层特征提取需要样本脑图像之间精确配准的问题，本文提出一种两阶段局部特征融合的磁共振结构图像分类算法。在结构匹配阶段，首先在尺度空间提取关键点，使用SIFT描述子将不同样本同一组织结构（关键点）互相匹配。在结构描述阶段，使用HOG特征将用以细化关键点附近的形态特征，区分不同人群。本方法旨在将两种局部特征融合，在不精确配准的情况下准确分类不同人群。在标准数据集OASIS和PPMI上，测试该方法的性能。　　(3)针对底层特征表达能力有限，临床指标在现有分类方法中并未有效利用，本文提出了基于三维自编码神经网络和多任务学习的脑疾病识别方法，克服特征提取中的局限性并综合利用阿尔茨海默病人的临床测试指标。本方法首先应用自编码神经网络对深度神经元网络做非监督的分层预训练，将得到的参数作为神经网络模型的初始化参数;然后使用有标签的数据对网络微调完成监督训练，得到整个神经网络的模型参数。本方法旨在利用深度学习神经元网络的自学习方法，提升特征的表示能力，使学到的特征更加抽象和反应原始数据的本质。此外，本方法希望利用多任务学习综合利用临床测试数据，实现更好的分类。在标准数据集ADNI上测试该方法的性能，并表明神经网络模型具有较强的特征学习能力。