随着老龄化社会的到来，阿尔兹海默症(Alzheimers Disease，AD)患者不断增多。医学影像技术的发展为AD的诊断及治疗提供了有力支持，其中，功能磁共振成像(functional-MRI，fMRI)技术是一种研究AD的有效手段，可用于构建基于机器学习的AD辨识系统。然而，AD病例的收集比较困难，因而如何从小样本集的fMRI影像中获取疾病识别的有效信息是AD辨识的研究重点。本文以机器学习为基础，对基于fMRI的小样本集AD检测方法进行了研究，具体包含以下几个方面：
　　首先，针对小样本集的fMRI影像分类任务，提出了一种基于局部二进制协方差的3D-PCANet深度学习算法，通过PCA学习的滤波器生成一系列特征图，并通过池化降低模型规模，最后，基于局部二值化协方差从特征图中生成特征用于分类。实验结果表明，该算法在AD三维医学影像上能够取得很好的识别结果，有效减少了计算资源消耗，而且相比于CNN更能适应小样本集的AD辨识。
　　其次，针对基于脑功能网络的超小样本集AD辨识问题，提出了域加权的联合分布迁移学习算法，通过在新特征空间中降低源域与目标域之间边缘和条件分布的差异，并充分考虑源域共享样本在迁移学习中对目标域样本辨识的贡献度，实现了对源域知识的有效迁移。实验结果表明，该算法有效降低了源域与目标域之间的样本分布差异，利用辅助样本集大大提高了基于脑网络的超小样本集AD识别精度。
　　第三，针对基于fMRI影像的超小样本集AD辨识问题，提出了一种基于子空间对齐的PCANet深度迁移学习算法，采用基于局部二进制协方差的3D-PCANet算法提取源域与目标域样本的域间通用特征和域内专有特征，然后利用子空间对齐算法将源域与目标域的子空间进行对齐以降低域间分布差异，实现了对源域知识的有效迁移。实验结果显示，该算法可以有效学习源和目标域fMRI影像的深度特征并整合域间差异，充分利用共享数据集大幅提高了超小样本集的AD辨识精度。
　　最后，讨论了基于卷积神经网络的跨领域数据对fMRI影像的信息迁移能力，研究了不同领域、不同大小的共享源域样本集对卷积神经网络预训练的效果。实验结果表明，采用合适的迁移学习方法，跨领域的自然图片数据集可以显著提高卷积神经网络在AD超小样本集上的识别率；而且，源域数据集越大、模态相似度越高则迁移学习的效果越好；而太小的源域数据集则可能会对迁移学习起负作用。