阿尔茨海默病（Alzheimer’s Disease,AD）是主要出现于老年人群中的一种严重神经系统疾病,主要表现为进行性感知和认知缺陷,最终日常行为能力完全丧失。由于其不可逆转性,因此该疾病的早期诊断具有重要的理论和临床意义。本文提出了两种新的AD诊断方法,基于加权图组稀疏表示（Weighted Graph Sparse Group Representation,WGraph SGR）的脑网络构建算法的分类方法和优化稀疏表示（Sparse Representation,SR）集成学习的AD诊断方法,并对其进行实验,和其他的方法进行比较以验证有效性。本文的主要工作如下。第一,提出了一种基于WGraphSGR网络构建算法的阿尔茨海默病分类方法。该方法基于WGraph SGR,可以根据静息态功能性磁共振（Rest State Functional Magnetic Resonance Imaging,RS-f MRI）数据构建最佳地大脑功能网络,进一步给出分类算法。皮尔森相关性（Pearson Correlation,PC）和SR是两种最常用的大脑网络建模方法。我们利用两者的优势,通过整合连接强度,组结构和稀疏性的统一框架来确保构建更具生物学意义的大脑网络。我们提出的方法已在AD和健康对照（Health Control,HC）分类任务中得到验证,与其他脑网络构建方法相比,获得了更好的结果。第二,提出了一种基于优化SR集成学习的AD分类方法。由于多个不同的SR方法的基于支持向量机（Support Vector Mechine,SVM）的分类结果进行集成,能够提高分类方法的泛化能力和分类效果。我们主要采用最大投票方法对不同方法的分类结果进行集成。首先,采用更准确和具有生物学意义的脑功能网络建模方法,来指导大脑功能网络构建。然后,结合使用多种脑网络建模方法,分别构造SVM分类器。最后,用集成学习把上述几种分类器的优势进行发挥,同时抑制分类误差,从而综合多种分类器的结果,以达到减小误差、提高分类精确度的效果。实验结果证明,我们提出的方法获得的分类准确率比传统SR方法获得分类准确率高于接近5个百分点。