影像遗传学是应用神经影像来研究遗传基因对个体影响的一门新兴学科。影像遗传学通过研究影像表型（数量性状,Quantitative Traits,QTs）与遗传基因数据（单核苷酸多态性,Single Nucleotide Polymorphism,SNP）之间的关联来评估遗传变异对大脑功能和结构的影响,进而检测与疾病相关的生物标记物。通过研究生物标志物可以帮助了解疾病的内在机理和辅助疾病的早期预测、诊断。影像遗传学常被应用于对阿尔茨海默症（Alzheimer’s Disease,AD）生物标记物的检测中,其通常存在一些问题:1)高昂的测量成本、数据质量差等原因导致多模态影像数据缺失;2)忽略多模态影像QT数据之间存在互补信息;3)忽略SNP-SNP和QT-QT的结构信息;4)忽略纵向QT的信息;5)简单的线性模型很难拟合QT和SNP之间的复杂关联。本课题的主要工作和创新点如下:（1）不同成像技术是从不同角度对脑部进行观察,从而获得脑结构和功能影像,不同模态影像数据可能存在互补信息,但同时也存在样本缺失的问题。本文提出了一种基于潜在空间的多模态稀疏回归模型的影像遗传关联分析方法去处理模态数据缺失问题。我们首先将影像数据拆分为两部分,一部分是具有完整模态数据样本,将其投影到共同的潜在空间去学习模态的共同特性;另一部分是具有模态数据缺失的样本,将其投影到独立的空间去学习每个模态特有的特征。然后将投影后的QT数据与SNP数据进行关联分析。最后应用交替迭代算法求解该模型。我们在仿真数据和真实数据上对我们的模型进行了评估。在仿真实验中,本文提出方法的曲线下面积（Areaof Underthe Curve,AUC）优于现有的几种方法。在真实数据实验中,我们检测出的基因和表型在早期研究中被证实与AD相关,从而验证了本文提出模型的有效性。（2）本文提出了一种基于时序组稀疏回归和加性模型分析纵向表型和SNP之间的关联来检测与AD相关的生物标记物。首先,由于线性模型很难拟合QT与SNP之间的复杂关联,因此引进非参数的加性模型去考虑QT与SNP之间的复杂关联。其次,使用纵向影像QT数据去识别影像遗传关联随时间的变化。此外,还引进SNP组水平和个体水平信息,最后,应用交替凸搜索算法求解该模型。我们在仿真数据和真实数据上对我们的模型进行了评估。在仿真实验中,本文提出方法的AUC优于现有的几种方法。在真实数据实验中,我们检测出的基因和表型在早期研究中被证实与AD相关,且在每个时间点上都检测出与AD相关的生物标记物,从而验证了本文提出方法的有效性。