阿尔茨海默病（Alzheimer’s Disease,AD）是一种常见于老年人的不可逆转的神经退行性疾病。特征表现以进行性记忆丧失和认知障碍为主,并伴随有人格变化等特点。轻度认知障碍（Mild Cognitive Impairment,MCI）是介于AD和正常人（Normal Control,NC）之间的早期病理状态。目前对AD患者还不存在有效的药物可以完全治愈,如果能进行预防性干预,那么患者的病理情况可以得到更好的控制,因此早期准确诊断MCI和AD患者对减缓病情发展具有重大现实意义。磁共振成像（Magnetic Resonance Imaging,MRI）是一种无创的成像技术,对于AD患者大脑结构的改变具有突出的成像效果。在医学分类任务中,深度学习可避免人工特征选取的复杂问题和数据的高维度灾难问题,因此,本文基于深度学习实现对阿尔茨海默病MRI图像的分类研究:1.基于分块置信度和密集连接网络的阿尔茨海默病分类方法首先对原始MRI进行数据预处理,并沿着矢状面、冠状面、横断面三个轴向提取切片,根据阿尔茨海默病的病变区域在切片位置的分布,每个3D MRI样本选取了能够明显辨识到病变特征的三张2D切片。其次,通过引入密集连接的思想,设计了基于2D数据的密集连接网络模型。将选取的2D MRI切片通过分块置信度算法实现自动剪裁以扩增数据集,最后利用分块后的子图像进行模型训练,从而展开分类实验。结果表明,本文提出的数据扩增算法解决了传统扩增方法会导致图像细节信息丢失的问题,并且分类模型在AD vs.NC和MCI vs.NC两组二分类任务中准确率分别达到了90.16%和78.03%。2.基于注意力机制和残差密集网络的阿尔茨海默病分类方法首先本文考虑到残差网络对原始低层信息可以多次利用的机制,通过密集连接融合残差思想设计了基于残差密集网络的分类模型;其次考虑注意力机制能够实现对网络不同层的信息给予不同权重,从而聚焦于寻找与分类任务相关度高的图像特征区域,在残差密集网络的结构上提出一种应用在多层连接网络的注意力机制。最后将注意力模块嵌入残差密集网络,设计出残差密集注意力网络模型进行阿尔茨海默病的分类。最终在AD vs.NC和MCI vs.NC两组二分类任务的准确率分别达到94.71%、81.90%。综上所述,本文对阿尔茨海默病的MRI图像设计了多个不同架构的卷积神经网络模型,并研究了深度学习网络应用于阿尔茨海默病分类的方法实现。通过实验,分析了不同结构的网络设计和不同数据扩增方法对分类结果的影响。实验表明,提出的基于分块置信扩增算法和残差密集注意力网络的阿尔茨海默病分类模型在结果上表现较好,解决了卷积神经网络中利用特征信息不够充分的问题,并能够获取更为有效的特征图像信息。提高了AD vs.NC和MCI vs.NC分类任务的准确率。