主观认知下降(Subjective Cognitive Decline,SCD)是阿尔兹海默症(Alzheimer disease,AD)的最早期状态,具有不易诊断、易发展为AD的特点。已有SCD诊断方法多停留在临床检测与传统统计分析的层面。针对上述问题,本文分别提出了基于模型融合、阈值网络特征提取的功能核磁共振成像(functional Magnetic Resonance Imaging,fMRI)统计模式识别方法。主要研究内容如下。提出基于主成分分析约束的平均最优分界面距离(Principal Components Analysis constrained average optimal interface distance,PCAC-AOID)模型融合算法。首先,使用PCA降低数据维度,获得列维度之间线性无关的样本数据;其次,使用这些数据构造不同的分类器模型;然后,使用样本点到最优分界面的距离进行模型融合。本方法结合了数据降维后维度充足且线性无关的特点,解决特征选择与特征扰动中的冗余问题,避免了大量的特征选择工作。提出基于级联的全局稀疏阈值网络(Cascade-based Global Sparse Threshold,CGST)算法。通过研究样本功能连接值的平均频数直方图,发现SCD和NC样本的功能连接值频数存在差异。为了研究这一差异以及其对fMRI数据分类的影响,本文在全局稀疏阈值方法的基础上,级联不同参数下的网络特征。本方法融合了多个全局稀疏参数下的特征,以提升分类效果。本文从优化模型融合与网络特征提取角度研究SCD样本分类问题,分别提出基于PCA约束的最优分界面距离模型融合方法、基于级联的全局稀疏阈值网络算法,并通过实验验证这两个算法的有效性。