阿尔茨海默症（Alzheimer’s Disease,AD）是一类不可逆的大脑神经退行性疾病,其患病率随着年龄的升高呈显著增长趋势,被认为是导致死亡的第七大原因,目前仍然缺乏明确有效的生物标志物,只能通过早期干预延缓AD病情的发展。功能核磁共振影像（Functional Magnetic Resonance Imaging,fMRI）是研究脑部疾病的重要医学工具,可以观察大脑相关区域的功能变化,而这种功能变化可能是AD的一个潜在的生物标志物。通过捕获这种生物标志物,对AD的辅助诊断和早期干预起到重要作用。个体之间的非成像的差异,即性别、年龄、教育程度等也影响了AD的患病概率,如何融合成像信息与非成像信息,也是计算机辅助AD诊断的一个重要挑战。由于深度学习强大的数据学习能力,得到了越来越多研究者的青睐,在医学领域上也得到了广泛应用,因此,本文将采用深度学习技术,融合fMRI影像信息和表型信息,实现对AD和正常对照组（Normal Controls,NC）的分类,并确定与AD相关的生物标志物。本文的主要研究内容如下:（1）目前,基于fMRI影像的相关研究,大多是使用皮尔逊相关系数（Pearson）构造脑功能连接网络,该方法无法反映出不同脑区功能之间的关联关系在神经生理过程中随时间变换而呈现出来的动态变化趋势。因此,本文提出了基于K-S（KolmogorovSmirnov）验证方法构造动态脑功能连接网络序列的方法,并基于此图序列数据,提出了基于图卷积神经网络（Graph Convolutional Network,GCN）和时域卷积神经网络（Temporal Convolutional Network,TCN）的诊断模型（GCN-TCN）,通过一个由节点损失、时间片损失和最终损失组成的多层次损失函数优化该模型。基于ADNI数据库的AD与NC的分类实验结果表明该模型有更好的分类性能。（2）针对非成像信息对AD的影响,提出了基于图神经网络的多模态数据学习。采用GCN-TCN模型提取成像信息特征,然后将成像信息和非成像信息融合成为一个样本关系图,使用动态超图神经网络（Dynamic Hypergraph Neural Networks,DHGNN）对样本关系图的节点分类。通过不同的构图方法验证了不同的非成像信息对模型的影响,实验结果表明,当采用性别作为表型数据时,该模型的分类效果得到了最大的提升。（3）基于本文模型,我们筛选出模型所关注的感兴趣区域（Regions of Interest,ROI）作为AD的生物标志物。并通过K-S验证方法构造脑功能连接网络,计算相关生物标志物的聚类系数和局部效率,发现AD组的聚类系数和局部效率都低于NC组的,特别是右脑杏仁核区域,AD组与NC组的平均聚类系数差异最大,这说明了AD患者的杏仁核功能遭到了严重破坏。