阿尔兹海默病(AD)的患病过程不易被察觉,病程不可逆且无药物根治,因此AD的前期诊断与预测对AD患者至关重要。随着医学影像的发展,AD分类也成为了研究热点,AD分类是一种从不同的医学影像或生物标志物中提取有效特征,并采用机器学习理论对样本进行分类的医疗辅助诊断方法,它可以为AD的前期诊断提供帮助。现有的AD分类研究多数采用单一模态的图像,而得到的分类的准确率往往偏低,仍有大量样本无法被正确分类。因此,本文从多种模态的影像数据出发,通过特征融合充分利用各个模态之间相互补充的信息,从而全面地提取出AD的特征并用于分类。本文将整个AD分类算法分为两步,其一是融合多个模态提取出的特征,其二是分类器的构建与训练。本文主要将关注点放在两个阶段的不同方法的组合上,通过实验验证,两种AD分类算法都能够取得优异的效果。关于AD分类,本文主要对以下问题开展了深入研究:1、本文的多模态数据共包含三种模态,分别为磁共振成像(MRI)、正电子发射断层扫描(PET)和脑脊液生物标志物。首先对两种图像做预处理,其次对三种模态的数据分别提取有效特征是AD分类的前提。由于全脑中有些信息是和AD无关的,即存在一定的冗余信息,所以将采用t-test和Fisher准则这两种特征提取的方法对初始特征进行特征选择。采用合适的特征融合方法能够充分利用特征间的互补信息,基于多核学习的AD分类算法将对三种模态的特征分别选取合适的核函数进行核矩阵的计算,求取三个核矩阵的最优权值并采用线性融合的方式来求得融合后的核矩阵,最后通过基于多核的SVM分类器分类。2、本文采用的第二种融合方法是交叉扩散融合,这种特征融合方式无需事先假设三种模态的特征是线性相关的,也无需为每种模态的特征分配权重,避免了权重最优化的问题。融合之前需要对三种模态分别构建特征图,即采用随机森林的方法求解样本间的相似矩阵。经过一定次数的迭代以后,交叉扩散过程最终收敛,这个融合过程可以以一种扩散的方式对图的边缘信息进行相互交换,从而增强一个或多个图中的强连接并减少弱连接。最后,通过对三个特征图求取平均值可以得到一个最终的融合图,该融合图将被输入到随机森林分类器中。