阿尔兹海默症（Alzheimer’s Disease,AD）是目前最常见的脑疾病之一,将会给患者带来精神和身体上的负担,也会给社会带来极大的经济压力。在临床诊断中,医生从脑影像中分析大脑结构和功能发生的变化来诊断被试,但这存在很大的主观性。因此,利用计算机辅助医生对患者做出客观、精确的诊断极为重要。随着人工智能领域的迅速发展,将机器学习技术应用于阿尔兹海默症的辅助诊断亦在如火如荼的发展之中。尤其是在机器视觉领域,应用卷积神经网络（Convolution Neural Network,CNN）让计算机看懂医学影像数据,辅助医生做出更加客观的诊断,已成为热点话题之一。随着卷积神经网络在医学影像分析中的广泛应用,针对无创、空间分辨率高的磁共振成像（Magnetic Resonance Imaging,MRI）数据,进行智能分类已成为研究的焦点。目前,研究人员发现大量阿尔兹海默症辅助诊断工作存在数据泄漏问题,导致模型的泛化较差,诊断结果不可靠。本文使用Free Surfer自动化预处理MRI数据,然后对输出数据进行裁剪和重采样,规范模型的输入。最后从预处理后的MRI数据中提取冠状面切片,进行随机划分与被试的独立划分进行对比实验,验证了数据泄漏问题的负面影响。为了解决这类实际问题,本文提出了基于切片投票算法来实现可靠的阿尔茨海默病辅助诊断,并通过可视化网络关注区域验证模型有效性。另外本文还利用3D磁共振影像数据训练3D卷积神经网络模型,实现了对阿尔兹海默症的有效分类。对比实验发现,由于非病灶区域对模型分类的负面影响,基于切片投票的方式优于3D模型,且对病灶脑区更加敏感。因此,本文在不同的切片区间进行实验,为切片投票方案选择最佳切片位置。实验证明,本文提出的创新方法在多项指标上优于基线实验,为阿尔兹海默症的计算机辅助诊断提供了新的方法和思路。