脑电图和磁共振成像是阿尔茨海默症临床诊断的有效手段，但由于缺乏有效的神经影像特征，导致阿尔茨海默症辨识准确率较低。本文将现代信息处理技术和机器学习方法相结合，对神经影像数据进行量化分析，评估患者脑功能，从而为该的病诊断提供有效依据。
　　设计电生理实验，采集阿尔茨海默症患者脑电数据，利用排序耦合指数分析多通道脑电信号之间的相关性，并构建脑功能网络。采用复杂网络方法，对脑功能网络结构进行分析，提取病变特征。与健康受试者相比，阿尔茨海默症患者的脑区之间的相关性减弱，脑网络的小世界度降低，表明不同脑区之间信息传递和处理的能力下降。
　　将脑功能网络特征与模糊分类算法相结合，提出了基于脑网络的TSK(N-TSK)算法。分别以加权网络和无权网络特征作为输入训练N-TSK模型，实现了对阿尔茨海默症患者脑电特征的有效辨识。结果表明，利用加权网络进行分类的性能优于无权网络，准确度最高可达97.30%。此外，通过无权脑网络的特征识别分析发现，局部效率和聚类系数是最有效特征组合。
　　利用磁共振成像提供的空间结构特性，对大脑空间结构进行节点划分，并分析节点之间的结构相似性，重构患者脑网络。采用TSK、k近邻、支持向量机等算法分析发现，TSK识别阿尔茨海默症脑网络特征的效果最优，准确度可达94.55%。通过脑网络特征识别发现，节点介数和边介数是最有效的特征参数，表明阿尔茨海默症患者大脑的空间结构发生病变。
　　本论文提出基于脑网络的阿尔茨海默症识别方法，根据神经影像数据构建脑网络，并采用机器学习的方法，实现阿尔茨海默的特征识别，为阿尔茨海默症的脑功能评估和临床诊断提供依据。