阿尔茨海默病（Alzheimer’s disease,AD）作为一种神经退行性的老年痴呆症,一旦确诊将无法治愈,我国作为占全球AD患者最多的国家,人们饱受这个疾病带来的痛苦和经济压力,而且前期患病所表现的症状会被误认为自然衰老,导致错过最佳治疗时间,因此早期确诊并通过药物延缓病情恶化至关重要。近年来,随着医学成像技术和计算机技术的快速发展,机器学习和深度学习的方法在神经影像学领域的研究得到了广泛关注。目前大部分可开源获取的神经影像数据均为复杂的高维数据,所以对数据进行有效的预处理,保留足够多有价值的特征,同时选择复杂度较低的网络来很快获得较高分类准确率是一个值得研究的问题。现有的分类方法在AD分类中具有准确率高的优点,但仍存在可用的带标签医学数据有限,3D卷积网络计算复杂度太高、特征提取过程繁琐、3D迁移网络和Alex Net网络预训练权重难以获取以及分类不符合医学实际等问题。鉴于此,本文使用机器学习作为AD的一个辅助诊断方法,提出了基于2D迁移网络的3D迁移网络来对磁共振成像（Magnetic Resonance Imaging,MRI）AD和正常组（Normal Control,NC）进行分类的方法。首先,使用SPM12工具包对3D MRI数据进行不同方向的切割,并按照不同的方式选择适当的切片组成训练集和验证集。其次使用2D迁移网络从MRI的2D切片中提取特征,并对提取的特征进一步进行降维。最后,合并一个被试的所有二维切片特征以进行分类。实验采用公开的华盛顿大学阿尔茨海默病研究中心的开放成像数据（Open Access Series of Imaging Studies,OASIS）,结果表明,所提出的3D迁移网络的分类精度优于传统的2D迁移网络,提升了近10%,而分类所用时间仅为现有迁移网络的1/4。且在所提出的分类网络瓶颈层中分别迁移了VGG16、Dens Net121、Inception V3和Mobile Net4种预训练网络,结果说明迁移Mobile Net网络更加适用于我们的方法。另外为了再次测试本文方法的可行性和有效性,我们使用ADNI数据集再一次对我们的方法进行测试,所得结果一致。本文提出的方法是通过现有的2D迁移网络实现3D MRI数据的分类,不仅降低了传统3D网络的复杂度,而且提高了分类精度。由于迁移网络的权值共享,从而节省了分类时间。