阿尔茨海默氏病（AD）正在生成大量数据,这些数据可为疾病预测和辅助诊断提供有价值的见解。从医生方面了解到,目前对AD的确诊还是主要以医生的经验为主,最终确诊结果以及对病人未来认知的评估需要十分谨慎才可以下定论。关于AD患者的医疗数据比较杂乱,数据种类具有冗余性,病历的标准不统一,很多临床用语都不够统一和规范,某一模态数据具有缺失性和不完整性。更重要的是,一种模态很难表达出其中蕴含的全部知识,通常需要凭借多种数据模态,而目前AD数据模态种类众多,利用率低。本文是可行性研究,论文专注于以实际出发,从结合目前医院的实际情况,发现医生诊断中存在的需求,考虑到疾病在实际情况中的复杂性。因而提出了用于辅助AD诊断的新思路与新方法,有助于推动实现AD医疗数据更有价值的利用,帮助医院引入人工智能的方法辅助诊断AD。本文融合了三种数据模态。既包含基因层面的数据单核苷酸多态性（SNP）,又包含非基因层面的影像数据模态磁共振成像（MRI）和正电子发射计算机断层扫描（PET）。这三种模态是在数据水平上的早期融合。以往的研究都主要集中在对影像学数据的研究,亦或是,最近刚刚兴起的针对遗传数据的研究,绝大多数都是局限于少量单一模态研究。因此,未来针对AD的研究重点应该逐步转移到遗传数据上来,本文利用好遗传数据和非遗传数据的价值就对AD的诊断更加重要了。这样不仅提高了数据的利用率和价值,也更加全面综合的研究AD进展情况,进行疾病预测和辅助诊断。本课题的研究内容主要如下:1)基于来自线上阿尔茨海默氏病神经影像学计划（ADNI）以及线下医院的AD原始多模态数据,本文提出了一套标准化流程,对多源多模态异构的阿尔茨海默疾病原始数据做到有效的数据标注,数据提取,数据解析,以及使用数据预处理和特征工程的方法。为后续算法的应用提供更好的数据基础。2)本文提出使用自编码器的方法可以更好的用于AD的三种模态数据（MRI,PET,SNP）,并对比了机器学习算法,验证了在多模态数据集上有更好的分类效果,即实现堆叠自编码器在多模态数据前端融合研究中的重要价值。3)本文设计并提出了多模态异构数据的技术架构,把多源多模态异构的AD数据和算法集成进来,以达到辅助医生疾病预测和诊断的目的。