近几年有关眼部图像的研究一直是医学领域的研究热点,例如视网膜血管的分割、眼底图像血管分布角度数值提取以及对眼底超广角图像中静脉漩涡的裁剪都是现阶段的热点话题。以往眼底图像的诊断是需要大量临床采集的病人数据,再经过有经验的眼科医生手动完成诊断,但存在耗时长、费用贵、医生专业性需求高的问题,随着深度学习技术的飞速发展,医学数据预测取得了一些进展。然而,眼底数据存在着数据集少,血管大小尺寸不一以及数据离散的问题,这也加大了深度学习算法对缺失的医学数据预测的难度,也导致了对病人医学数据中缺失部分精确预测填补以及精确分类预测充满了挑战。综上所述,对医学数据的预测还有很大的提升空间。本文选择了从北京协和医学院生物医学工程研究所采集到的包含阿尔茨海默症患者（Alzheimer’s Disease,AD）数据和健康人数据的数据集（Alzheimer’s Disease Dataset,ADD）。阅读了大量文献,选择了Simple Shallow-Recurrent Neural Network（S-RNN）、Robust Auxiliary Classifier Generative Adversarial Network（r ACGAN）、Muti-layer Output U-Network（MO-Net）和GG-Very-Deep-16 Convolutional Neural Network（VGG-16）等网络作为基础模型,并在掌握这些模型的基础上进行改进,本文方法与其他现有方法相比,对AD眼底数据预测有很好的效果。本文主要的贡献主要包括:（1）打造一款ADD数据集,通过meta分析对比AD患者诊断所用的数据,确定需要采集的特征。ADD数据集中一共包含了4195名检查者的眼底数据,其中包括了2135名健康人的眼底图像数据和2060名AD患者的眼底图像数据。（2）运用MO-Net网络对ADD数据集中常规角眼底图像数据中视网盘部分裁剪,去除冗余信息。实验中改进了U-Net网络进行语义分割的方法,将原有的U-Net网络进行改进,在其中加入侧输出层,定位视网盘部分的位置,裁剪常规角图像。实验最后输出尺寸为（800,800,3）的视网盘及其周围部分的图像。（3）运用S-RNN网络对眼底数据中简易精神状态量表（Mini-Mental State Examination,MMSE）这一重要数值的填补。实验改进了S-RNN网络,充分理解其网络结构中输入层、隐含层和输出层之间的关系,再集合ADD数据集中文本数据的特点,利用已存在的完整的文本数据对S-RNN网络进行训练,完成对未知病情的病人的MMSE数值回归预测填补。整个实验最后的拟合度为76.07%。（4）运用多元建构网络对多源异构AD眼底数据分类。实验中通过r AC-GAN网络和VGG-16网络分别对AD文本数据和图像数据做分类,输出两者的分类预测分布,再用随机森林（Random Forset）网络对两者的分类预测分布进行再分类。最后得到的结果为VGG-16图像分类精确度为95.47%、r AC-GAN图像分类精确度为96.88%和最后分类精确度为99.39%。