阿尔茨海默症（Alzheimer’s disease,AD）是一种不可逆转的神经退行性疾病,严重危害着老年人的身心健康。随着人口老龄化的影响,我国AD的发病率仍然在不断升高。由于AD发病过程缓慢,往往一经发现就已经到达晚期,且尚无有效的治愈方法。但是如果能尽早检查出AD并实施治疗和干预,则能够有效地减缓甚至抑制病情的发展。因此,实现AD的早期诊断已经成为计算机辅助诊断领域的一个重要研究课题。轻度认知障碍（Mild cognitive impairment,MCI）是AD的一种临床前驱阶段,准确识别MCI对于实现AD的早期诊断具有重要的意义。作为基于病理性的生物标志物,正电子发射断层显像（Positron emission tomography,PET）已经被广泛应用于诊断AD与MCI,且在AD早期诊断方面具有显著优势,因此本文运用PET影像实现AD诊断。目前大多数相关研究均致力于针对AD与正常对照组（Normal controls,NC）或者MCI与NC的二分类问题研究来实现AD的自动诊断。但从实际应用角度出发,一个阿尔茨海默症预测系统需要具备准确识别AD、MCI及NC类别样本的能力,因此构建一个鲁棒的三分类模型是非常有必要的。由于MCI与AD、NC之间分类困难,直接针对AD、MCI及NC类别构造三分类模型的效果普遍较差。为了解决此问题,本文将该三分类问题分解为三个二分类问题,通过一种决策融合策略,对三个二分类模型的结果进行决策融合,以实现AD、MCI及NC的最终分类。针对每个二分类问题,本文提出了一种基于CNN与SVM的联合分类模型。鉴于CNN的强大的特征提取能力,本文针对PET影像的特点设计了一个鲁棒的3DCNN模型用于提取图像特征。由于SVM在二分类问题上能够取得最优解,且在小样本问题上具有优势,因此本文采用SVM对3DCNN提取的特征进行分类。由于多层感知机与SVM的优化方式不同,3DCNN与SVM之间无法实现端到端的训练,为了解决此问题,本文基于3DCNN+SVM提出了一种端到端的学习算法,实现了3DCNN+SVM的整体优化,进一步提升了模型的预测性能。本文使用Python语言以及Pytorch框架实现了整个模型。采用的数据来自ADNI数据库,包含了来自267名AD受试者,340名MCI受试者及352名NC受试者的2706套三维PET影像。通过针对本文算法进行大量实验表明,与其他论文相比,本文算法在各项指标上均能达到当前最好的性能。同时,本文还基于文中所设计的全部算法开发出了一套用于实现阿尔茨海默症预测的原型应用系统,为进一步深入开展该项研究及应用奠定了基础。