阿尔茨海默病(Alzheimer’s disease,AD)是一种神经退行性疾病,主要表现的症状是情绪、语言、认知等功能的下降。最近几年随着人口老龄化的加重,其发病的概率逐渐增大。对于阿尔茨海默病的诊断,传统的诊断方法主要是心理学测试和临床的询问诊断等。这种方法的误判率高,很容易误诊,从而耽误控制病情的最佳时期。因此更早的诊断和预测AD对于病情的控制和治疗是非常重要的。近几年来随着科学技术的发展,功能磁共振成像(Functional magnetic resonance imaging,fMRI)技术作为一项新的技术被广泛的应用,此方法可以通过检测静息状态下血氧水平依赖(Blood oxygen level dependent,BOLD)信号的变化来反应神经活动的变化。通过计算BOLD信号时间序列的时间相关性可以分析得到感兴趣区域(Region of interest,ROI)的功能连接的变化的情况,从而区分正常人与患者之间的不同,达到更早预测AD的效果。到目前为止,基于静息态BOLD信号的功能连接性研究在脑灰质中已经得到了广泛的应用,但是在白质、白质与灰质中的共同研究中还没有成熟。因此,本文首先联合全脑的功能网络根据已有的分区模板进行分区,对ROI的BOLD信号的时间序列的均值与方差进行计算,得出时间序列的平均时间相关系数作为反映功能连接变化的特征分量,利用图论和统计的方法分析正常人、不同程度认知障碍和AD患者功能连接的变化特点。其次结合低频幅度(amplitude of low-frequency fluctuation,ALFF)参数模型进行特征构建和筛选,然后通过双样本t检验分析男女AD患者白质区域内的功能连接变化的异同。实验表明静息状态下,AD患者的白质与灰质之间的某些区域的功能连接随着AD患者病情的加重而发生变化,男AD患者的白质的功能连接变化区域较女性少。从而进一步证明了功能连接变化可以作为诊断AD的生物标志物。针对功能连接变化可以作为诊断AD的生物标志物,本文采用连接组卷积神经网络与动态时间规整算法相结合对AD功能连接进行特征提取和分类从而得出最佳性能的特征子集,实现对AD的预测与诊断。首先对比了其与简单的神经网络和复杂的神经网络构成的分类器的分类性能。实验证明连接组卷积神经网络分类器和复杂的神经网络构成的分类器的性能较好,且连接组卷积神经网络的性能更好。其次用动态时间规整算法来描述AD的功能连接变化,计算得出规整距离和规整路径长度两个特征子集。将相关性系数、规整距离、规整路径长度、规整距离加规整路径长度的组合特征集分别与简单的神经网络分类器、复杂的神经网络分类器和连接接组卷积神经网络分类器结合进行特征训练,对比分类效果。实验表明组合特征集得到的分类准确率较高且组合参数与连接组卷积神经网络的结合实现了最佳性能。