认知障碍是指人体认知功能的损害,根据功能损害的程度不同,可诊断为轻度认知障碍（Mild Cognitive Impairment,MCI）或重度痴呆（Dementia）。由于身体机能及大脑神经的衰退,认知障碍普遍存在于老年人。据科学统计,认知障碍难以治愈,每年影响约1000万人,因此有效、准确的诊断引起了广泛关注。近年来,结合先进设备的3D影像结果和临床认知障碍测试量表结果,医生可以分析得到准确的疾病类型。然而,由于设备造价的昂贵,无法满足所有医院,因而想要完全依靠3D影像设备来诊断认知水平程度遇到瓶颈。因此,对认知功能障碍的无偏、快速和准确的诊断仍在探索之中。与3D影像结果不同,使用临床认知障碍测试量表检测是最普遍和简单的方式,其结果同样较易获得,本文期望通过临床认知障碍测试量表数据做出认知水平的初步诊断。本文提出了一种名为K-Nearest-Neighbour Graph-Deep Modularity Networks（KG-DMoN）的方法,用于通过临床认知功能检测量表来区分认知功能损伤的程度或阶段。本文提出的这种深度图聚类方法,其目的是以端到端的方式弥补聚类目标与图神经网络之间的差距。首先通过K-最近邻（K-Nearest-Neighbour,KNN）算法对数据结构进行图网络式的构建,其次绘制出图聚类和图池之间的联系。接下来,本文设计了一个新的损失函数来优化聚类算法。在预测过程中,由于图卷积神经网络是一种转导学习,无法像归纳性学习一样训练好模型即可进行预测,因此本文利用空间分布找到新样本与原样本的n个最近的邻居来确定这个样本的所属类别。经过对1398个样本的实验,结果表明本文的算法在分类正常或轻度认知障碍（Normal&MCI）和痴呆（Dementia）时获得了较高的置信度。与临床医生诊断策略相比,KG-DMoN在准确率（Accuracy,ACC）提升4%。加上其他五种流行的聚类算法,KG-DMoN在曲线下面积（Area Under Curve,AUC）上的表现均超过6%,在精确度（Precision）上均超过2%,在归一化互信息（Normalized Mutual Information,NMI）和调整兰德指数（Adjusted Rand index,ARI）上的表现均超过16%和19%。为了更加直观表现聚类效果,本文使用t-分布式随机邻居嵌入（t-Distributed Stochastic Neighbor Embedding,t-SNE）进行结果展示,将数据分布降维,在数据结果分布的二维图中,KG-DMoN对比其余方法显示出更趋于现实且合理的分布。综合上述结果表明,KG-DMoN可以有效地帮助基层医院的初级临床医生对认知障碍程度进行初步分类。