大脑是人体组织结构中最为复杂的器官,我们在日常生活中的行动、思考以及情绪都是受我们大脑所控制的。加强对大脑组织结构以及生理机能的学习研究将会帮助我们更加全面的了解大脑的工作机理。阿尔兹海默疾病(Alzheimer’s disease,AD)会对我们老年人的大脑健康产生非常严重的危害,该疾病在发病的前期不易察觉而且病情会不断恶化,其临床表现一般为持续性的智力衰退。目前该疾病仍然是对人类大脑健康威胁最大的神经系统变性病之一。现在我国已经开始逐渐步入老年社会,这意味着将会有更多的老年人要面临该疾病的困扰。阿尔茨海默疾病患者在早期并不会马上发病,可能会在几年甚至十几年后才会发病,虽然患者自身会感觉到大脑机能与之前相比会有所下降,但这是一个主观认知下降的阶段,无法通过神经心理量表发现出认知的下降。轻度认知障碍(mild cognitive impairment,MCI)可以认为是由人类自然衰老向AD疾病发展的前期阶段,加强对轻度认知障碍的研究将会有助于对阿尔茨海默疾病的治疗。因此我们需要及时的发现轻度障碍人群并提前加以预防和治疗,从而减缓该疾病的恶化速度。众所周知,患有轻度认知障碍人群的大脑会产生一定的萎缩,其大脑皮层厚度与正常健康老年人也会有一定的差异。本篇文章主要根据这一特性,利用磁共振设备对大脑影像的皮层厚度进行了深入的研究。这些研究将为阿尔兹海默疾病的诊断提供科学依据,从而帮助我们尽早的预防疾病的发生。本篇论文所研究的内容和取得的成果归纳如下:(1)本篇论文分别针对MCI和NC两类人群的磁共振脑影像进行分析研究,通过曲面形态学分别计算出两类人群的大脑皮层厚度的信息,利用机器学习的方法对大脑皮层厚度的数据进行分类研究,从而可以有效的对两类人群进行分类,这将有助于实现阿尔茨海默疾病的自动诊断。(2)本篇论文使用T检验方法对样本中的无效特征进行了有效的排除,从而避免了无效特征对接下来工作的干扰。然后利用基于欧式距离的凝聚层次聚类算法对样本数据进行聚类处理,并以此为基础通过离群点检测方法对样本集中的异常样本进行分析。通过以上工作不仅可以减少样本数据中的无效特征对接下来聚类算法的影响,也可以及时的发现数据处理过程中所产生的变异数据,这将有助于提高AdaBoost集成分类算法的分类性能。(3)本篇论文使用AdaBoost集成分类方法对数据进行分类,采用迭代更新权重的方式来训练生成新的弱分类器,然后将每次迭代生成的弱分类器组合成最终的集成分类器。虽然在通常情况下集成分类器的预测能力要比单个分类器的预测能力好得多,但是集成分类算法容易受到特殊异常样本的影响而导致分类准确率下降。本文针对这一问题通过前期的数据处理及时排除样本数据中的噪声特征和异常样本,保证了AdaBoost集成学习方法可以充分的发挥集成分类器的优势。(4)为了进一步提高分类效率,利用Relife和mRMR两种特征选择算法对样本进行特征选择,选取最优的特征作为分类的判断特征。这不仅有助于提高分类的准确率,也有助于进一步降低特征的维度、减少训练时间,降低算法整体的时间复杂度。