老年痴呆症是一种致死性的神经退行性疾病,特别是对于65岁以上的人群,发病率随着年龄增长升高。随着世界人口老龄化,老年痴呆症不仅影响了人们的正常生活,而且大大增加了社会医疗成本。近年来,基于医学影像技术的飞速发展,通过脑图像自动分类辅助来医生进行诊断,可以提高诊断的精度和效率,因此受到越来越多的关注本文研究的是脑图像分类在神经精神疾病辅助诊断中的应用,对正常人、轻微认知障碍(MCI)和老年痴呆症患者(AD)三种类型进行研究。首先介绍了脑图像分类在老年痴呆症方面的研究背景和意义,和脑图像分类的国内外研究现状；接着分析了老年痴呆症症状,病理和诊断治疗和脑成像的基本原理,并从特征提取,特征降维或选择和分类方法三方面描述了脑图像分类的基本流程；然后探索和比较了多种多模态特征融合进行脑图像分类的方法；最后采用和比较了多种特征选择算法来提高分类精度。本文的主要贡献有：(1)分析和比较了几种不同模态的大脑特征与老年痴呆症的关系,并进行了正常对老年痴呆(AD),和正常对轻微认知障碍(MCI)两种不同的分类问题的研究。(2)在两种不同的分类问题中,探索和比较了多模态特征融合的多种不同方法。(3)探索和比较了两种不同的特征选择算法。对不同模态组合进行特征选择,来提高分类准确率,并对比两种特征选择算法特征选择结果的稀疏性。实验结果表明本文所使用的多种模态特征之间具有互补性,结合使用可以提高分类的准确率。使用特征选择比不使用特征选择,可以取得更好的分类准确率。其中基于局部学习的特征选择算法,优于迭代的RELIEF算法。