阿尔茨海默症是一种神经退行性的大脑疾病,目前还没有治愈的方法。因此,利用计算机辅助系统对这类疾病进行早期诊断是非常重要和广泛的研究课题。目前,深度学习特别是卷积神经网络由于其在图像分类、检测和分割等各种计算机视觉任务中的先进性能而受到广泛关注。本文针对大脑磁共振成像(MRI)图像进行研究,发掘图像中可区分度高的特征,用深度学习方法提升模型分类性能。本文的研究目标为:通过深度学习的方法建立分类模型对阿尔茨海默症进行分类,并试图提出一个具有临床意义的阿尔茨海默症辅助诊断算法。首先,阿尔茨海默症数据集很稀缺,样本分布也不均衡。针对这个问题,我们提出了基于余弦相似度的MRI图像样本筛选算法剔除冗余数据。之后我们进行数据增强,通过水平翻转MRI图像和添加高斯噪声这两种方式,达到增加样本数量的目的。其次,MRI是3D图像。本文将3D图像沿空间中三个方向进行切片,得到3个2D化的图像序列,然后我们使用2D图像序列建立一个阿尔茨海默症分类任务的迁移学习模型。通过实验确定了迁移学习的方式以及迁移网络的层次结构,对迁移后的Inception-v3网络进行了超参数的微调。然后针对迁移后的网络中存在的缺陷进行了改进,融合了从网络中提取的3个方向上的特征,得到了每个样本的高维嵌入,并在后端使用了不同的分类器对样本的高维嵌入进行分类。实验表明改进后的迁移网络识别率有明显提升。最后,本文提出了一种计算机辅助诊断方法,该算法不仅能够显著提高阿尔茨海默症分类任务的准确率,还可以对图像中的病变区域进行标定,具有一定的辅助诊断意义。压缩激励网络(SE-Net)通常用于建模特征通道间关系,量化特征之间的相关性,其模块可以嵌入其他网络中。多注意力卷积神经网络(MA-CNN)可以通过学习图像间的局部细粒度特征,生成多个具有区分信息的局部位置框。本文首先将SE-Net嵌入到Inception-v3迁移网络中,筛选出每个图像序列中包含较多病变特征信息且可区分性较强的帧;其次,使用MA-CNN产生每个帧上的大脑病变部位选框;最后使用Inception-v3迁移网络中的特征提取层提取每个候选框中的特征,并将之与原图像特征进行融合后使用CNN分类器进行分类。实验表明此模型在阿尔茨海默症分类任务上的准确率可高达0.942。并且,从模型中提取的包含较多病变信息的帧图像与图像中的病变区域,可以为医生诊断治疗提供指示。上述网络框架具有较好可移植性,训练过程和结果均能可视化显示。经证明,实验结果符合脑解剖学知识和临床实际。