阿尔茨海默症（Alzheimer’s disease,AD）是多发在老年人群中的神经退行性疾病,常表现为记忆和认知功能障碍,AD后期会因躯体合并症而危及生命。由于阿尔茨海默症在出现症状前有数年甚至数十年的潜伏期,并且目前还没有治愈该病的药物,因此对AD患者的准确诊断和预测至关重要。深度学习技术已广泛应用于图像处理领域,目前用于研究AD的方法主要有:基于体素的方法、基于感兴趣区域（region of interest,ROI）的方法和基于整个图像的方法。由于三维结构磁共振图像（structural magnetic resonance imaging,s MRI）包含的体素过多,而模型训练图像的数目相对较少,因此基于体素的方法可能出现过拟合现象;手工标注ROI特征的过程与分类网络模型相互独立,导致其与分类器无法较好地协调,因此该方法的诊断性能并不理想;基于整个图像的方法是把整个大脑图像作为网络的输入,这使检测到细微的结构异常变得困难。基于以上问题,本文采用分级网络模型,分级提取块（patch）级别、区域级别和个体级别的图像特征,再将对应的网络模块串联起来,达到将特征提取和分类器构建统一起来的目的。由于通道域注意力机制（channel-wise attention,CA）在提取图像的高级特征时,能够根据不同通道包含信息的重要程度分配不同的权重,因此基于CA模块,本文提出了块注意力（patch attention,PA）,为不同的输入patch分配不同的权重,构建了基于块注意力的分级全卷积神经网络模型PA-H-3DFCN,具体工作为:（1）选取ADNI数据集中的231名NC（normal control）、198名AD、238名sMCI（stable MCI,稳定型轻度认知障碍）和167名pMCI（progressive MCI,进展型轻度认知障碍）受试者的s MRI图像,并对其进行预处理。基于AlexNet网络,设计了2D和3D的全卷积神经网络模型A-FCN和A-3DFCN,输入图像分别为s MRI图像在冠状位上的切片和三维的整个s MRI图像。（2）提出了分级提取图像特征的全卷积神经网络H-3DFCN,网络输入为包含解剖标志的大小为25×25×25的patch。将输入层、块级子网络、区域级子网络和个体级子网络四个模块串联起来,分级提取图像的特征,避免了单个patch或ROI包含大脑图像信息不完整的问题。通道注意模块在提取图像的高级特征中发挥了重要作用,本文在通道注意力机制的基础上提出了块注意力模块,对包含不同AD信息量的patch分配不同的权重;然后将块注意力加入块级子网络（P-net）,构建了基于块注意的阿尔茨海默症诊断模型PA-H-FCN。（3）由于MCI和AD大脑图像结构的改变具有高度相关性,因此将AD vs NC训练好的网络模型迁移应用在sMCI vs pMCI分类中。根据实验所选网络性能评价指标,对A-FCN、A-3DFCN、H-3DFCN和PA-H-FCN四个网络模型的诊断性能进行分析,并且与其他诊断AD的算法进行对比,验证了本文提出的基于块注意的阿尔茨海默症诊断模型的鲁棒性。其中,AD vs NC的准确率为0.9320,特异度为0.9670;sMCI vs pMCI的准确率为0.8110,特异度为0.8470。相比于其他算法,本文AD vs NC模型具有最高的特异度,sMCI vs pMCI模型具有最高的准确率。