在医学图像分析任务中,以磁共振脑图像为基础的海马体自动分割和阿尔茨海默症（Alzheimer’s Disease,AD）诊断是重要研究内容。一方面,提升磁共振脑图像海马体自动分割算法的准确性,更有利于临床医生分析海马体的形状和体积变化,进而做出相应的疾病诊断和治疗方案;另一方面,在基于深度学习的AD诊断研究中,利用深度学习技术和磁共振脑图像可以更好的完成识别早期AD及预测轻度认知障碍（Mild cognitive impairment,MCI）患者疾病进展的任务。为此,本文开展了基于多图谱的海马体分割和基于深度学习的AD诊断两项研究。基于多图谱的图像分割方法在海马分割中被广泛研究并取得了良好的效果,其主要包含海马配准以及后续的标签融合环节。然而,目前的标签融合算法大多是在单个体素上建立机器学习分类模型,忽略了体素之间的相关性。本文将多任务学习方法与半监督标签传播算法相结合,提出了一种新的基于多图谱的海马分割方法。该方法中的多任务协同以及半监督分割方案可以有效利用目标图像中体素之间的相关性提高海马分割准确率。首先,通过多任务学习方法在目标图像块中训练基于多任务体素簇的联合分类模型;然后,通过大多数投票方法获得该体素簇中心体素的概率分割结果;最后,利用概率分割结果指导半监督标签传播算法获取最终的分割结果。本文在EADC-ADNI公开数据集（包含135例带有海马分割标签的磁共振大脑图像）上进行实验,并与非局部图像块、多数投票、度量学习、局部标签学习和随机局部二值模式共5种基于多图谱的海马分割方法进行了比较。实验结果表明,本文所提方法在磁共振脑图像海马分割中具有较好的性能。深度学习已被广泛应用于AD诊断研究,完成疾病分类和预测任务。然而,基于全脑灰质体积的AD诊断方案计算成本较高,通过深度学习网络中的注意力机制捕捉显著脑区的可重复性也需要通过多中心数据进一步验证。为此,本文开展了一项基于多中心数据集（ADNI,EDSD,OASIS,共2467例）的深度学习研究。首先,基于成熟的三维注意力网络（3D Attention Network,3DAN）,比较全脑、海马以及更多脑区（皮质下核（去除海马体）、颞叶、岛叶、额叶、顶叶、边缘叶和枕叶）的灰质体积图像在AD诊断中的性能,同时利用网络中的注意力机制从基于全脑的AD诊断方案中捕捉显著脑区,并在多中心数据集上验证其可重复性;然后,将基于全脑和海马的AD诊断分类模型,应用于MCI患者中稳定型MCI（Stable MCI,s MCI）和进展型MCI（progressive MCI,p MCI）的分类;最后,提出改进的三维注意力网络（3D Attention Network with Drop Block,3DAN-DB）,旨在进一步提升基于海马体灰质体积的AD诊断性能。实验结果表明:1)海马体灰质体积的深度学习分类模型不仅计算速度快,并且能够取得比全脑灰质体积更好、更稳定的AD诊断效果;2)注意力机制在基于全脑的深度学习模型中捕捉显著脑区的稳定性和可重复性较差,导致所捕捉的显著脑区在AD诊断分类中的可解释性和相关性分析受到一定影响;3)在s MCI和p MCI分类中海马体灰质体积能够取得比全脑更好的效果,进一步证明了海马体在AD诊断应用中的潜力;4)本文所提3DAN-DB模型在基于海马体灰质体积的AD分类诊断中具有更好的性能。