针对阿尔兹海默症的计算机辅助诊断近年来得到了极大的发展,但是已有的大多数该类研究都是使用监督学习的方法来展开的。但医学图像的标注需要标注者具有对应的医学知识,从而导致带标签的医学图像数据比较稀缺,进而影响了该领域研究的进展。虽然该方面的带标签数据较少,但是在实际中有大量的无标签数据由于没有标签而没有被有效利用。因此,如何使用这些无标签数据去提高阿尔兹海默症病灶分割和分类的性能是本文拟解决的问题。同时,医学图像的特征有异于自然图像,如何建立适用于复杂结构医学图像特征提取的网络模型也是个关键问题。针对以上问题,本文所做的具体工作内容如下:（1）本文提出了一种基于Unet和交叉一致性训练的分割模型,用于阿尔兹海默症病灶分割。模型中对Unet进行了改进,在特征提取的时候使用了注意力结构CBAM并在跳跃连接的过程中使用了SENet,主要的目的是为了使模型可以充分的结合高层语义信息和低层语义信息并增强分割部位的语义特征并降低非分割部位的语义特征。同时还将交叉一致性训练的方法应用到了模型之中,使得模型可以充分利用大量的无标签数据来提升模型的总体性能。（2）本文提出了一种基于DenseNet和插值一致性训练的分类模型,用在阿尔兹海默症分类的任务中。为了节约模型的参数量以及提高模型的泛化能力,本文使用DenseNet为主干网络。同时,将插值一致性训练的方法应用到了模型中,使得模型仅使用少量的带标签数据和一定量的无标签数据进行训练就可以具有较好的性能。本文在阿尔兹海默症分类和病灶分割方法上都进行了实验,在分割任务中使用了评价指标ACC和m IOU来客观评价本文模型的性能。实验结果表明,本文方法的性能要优于本文中对比的其他方法。在分类任务中使用了评价指标ACC分别对几种二分类和三分类结果进行了客观评价。实验结果表明,不论是在二分类任务中还是在三分类任务中,本文方法的性能要优于本文中对比的其他方法。最重要的是在不论是在分割任务中还是在分类任务中,本文使用的方法都结合了半监督学习的方法,这样可以极大地减少标注数据的各项开销并充分使用了无标签数据来提升网络模型的性能。