随着神经影像技术的高速发展,特别是核磁共振成像(MRI)等技术的应用和普及,在临床上,神经影像由于无创、高组织分辨率等优点正被广泛用于阿尔茨海默病(AD)、轻度认知功能障碍(MCI)等脑疾病诊断。实际临床应用中,放射科医生往往需要手动识别和量化某些感兴趣区域,随着患者数目的增加,手动识别和量化迅速变得不切实际。随着图像识别技术的飞速发展,使得利用计算机来有效处理神经影像数据、帮助医师进行辅助诊断,提高诊断的准确率成为可能。然而,由于神经影像数据所固有的高维度,如何对其进行快速有效地处理和分析、并建立计算机辅助脑疾病诊断模型是当前研究的关键科学问题之一。神经影像计算分析的主要研究内容包括图像预处理、图像分割和配准、图像特征提取和分类器设计等。本论文主要针对神经影像计算分析中的特征提取和分类器设计两个关键问题,研究基于机器学习技术的神经影像特征提取和分类器设计算法模型。最后用研究的算法在ADNI神经影像数据库中进行测试,针对正常人、轻度认知功能障碍患者(MCI)以及阿尔茨海默病患者(AD)三类对象进行分类验证。本文的主要的贡献和创新工作有:(1)基于稀疏表示模型,融合了l1范数正则项的稀疏度条件与l2范数正则项的训练样本组标签信息,得到一个组稀疏表示分类器。实验证明,该分类器在面对MCI转化患者(转化为AD)和MCI非转化患者的分类问题时表现要优于其他传统的分类方法。(2)基于深度学习框架,提出了一个基于堆叠自动编码器网络的特征提取方法,从原始的简单、低水平特征提取出复杂、非线性的高水平特征。实验证明,在相同的分类器模型下,经过堆叠自动编码器网络提取的特征,其表现要远远优于原始的特征向量。