阿尔茨海默病（Alzheimer’s Disease,AD）是一种神经退行性疾病。轻度认知障碍（Mild Cognitive Impairment,MCI）是AD的早期阶段,该阶段患者呈现的病理信息并不明显,易被误认为是自然衰老,一旦病情恶化将难以逆转。因此,疾病的早期发现和治疗尤为重要。该疾病早期研究使用单模态数据进行分析,效果不理想。近年来,随着医学影像及计算机技术的发展,多模态数据及数据融合方法在神经影像领域获得了广泛关注。多模态神经影像数据常有较高的维度和复杂度,寻求高效的方法在复杂的数据集中提取有价值的特征是本文研究的重点。针对以往疾病诊断分类方法存在生物意义不足、误差较大及疾病诊断准确度不足等问题,本文将像素级融合、特征级融合和决策级融合三种图像数据融合技术的方法应用于阿尔茨海默病的分类。主要工作分为以下三点:（1）概述阿尔茨海默病的多模态影像数据的国内外研究现状以及主流的数据融合方法,并介绍阿尔茨海默病研究中常用的影像数据和数据来源,且由于脑影像数据独特的结构和原理,详细叙述其特定的预处理过程。（2）为验证相比于单模态数据,多模态数据具有可实现信息互补、误差较小等优点。将两种预处理过后的脑影像数据进行像素级数据融合,得到包含两种模态数据信息的新影像数据,将其与单模态数据提取各自的特征并分别输入分类器中,对比分类效果。此外,为了防止结果的偶然性,实验分别使用了三种特征提取方法和三个常用的分类器模型,对于多模态数据和单模态数据在相同的特征提取方法和分类器中取得的分类效果进行多次对比。实验结果进一步验证了多模态数据在AD诊断分类中的优越性。此外,分类器选择单分类器和集成分类器,在控制其他变量的情况下对比两者的分类效果,实验结果验证了基于决策级融合策略的集成分类器分类效果更优。（3）研究特征级数据融合技术在阿尔茨海默病分类中应用。特征级融合常用到的方法有典型相关分析（Canonical Correlation Analysis,CCA）。然而,现有的基于CCA的融合方法在将成像数据重构为向量时存在高维、多重共线性、单模态特征选择、不对称以及空间信息丢失等问题。本文使用了一种新的结构化稀疏典型相关分析（structured and sparse Canonical Correlation Analysis,ss CCA）技术来解决上述问题。设置三组实验,在其他条件相同的情况下使用不同的特征融合方法,验证ss CCA特征融合方法的应用效果。结果表明,该方法在本课题中表现良好。