以认知降低和记忆功能性损坏为特征的阿尔茨海默病（Alzheimer’s disease,AD）具有起病隐匿、发病时间长、致病病理不详等特点,因其缺乏有效的治疗技术,临床诊断和干预治疗尤为重要。磁共振成像技术基于非侵入式、安全无害的大脑影像技术,为临床评估AD大脑结构变化提供了有效的途径。但由于AD在生理病变上的特殊性,临床很难通过肉眼明确定位病灶。脑图谱实现了脑影像的结构化表达,将图像信息转化为特征矩阵给脑疾病诊断工作带来了极大的便利。目前研究人员提出了不同来源的脑图谱作为基准空间,但是关于脑图谱分割结果之间的横向可比性,脑图谱的分割结果对于阿尔茨海默病的分类差异性的研究是缺少的。即现有的图谱定义方式混杂且不统一,缺少针对AD的多图谱特征分析研究。本文以数据驱动的方式研究不同来源的脑图谱在AD分类中的差异性,并评估在AD临床辅助诊断应用中表现优异疾病检测准确性的脑图谱。本文从皮层分割、体积分割维度选取了目前四个比较流行的脑图谱,并构建了一个基于sub-bagging技术和T检验的集成学习模型,以此来进行图谱在AD上统一性和差异性研究。研究结果表明JHU图谱和DKT图谱分别具有优秀的核团分割能力和优秀的皮层分割能力。不同的图谱的生物标记物并不是完全一致的,但图谱间存在共有的脑区显著特征:海马、杏仁核、海马旁回、内嗅皮层、颞中回。本文提出了基于JHU图谱和DKT图谱的融合图谱,并利用柯尔莫哥洛夫-斯米尔诺夫检验来研究显著性特征,进一步增强了集成学习模型提取AD生物标记物的可解释性。本文提出一个痴呆分数来量化健康受试者的大脑结构模式和阿尔茨海默病患者结构模式之间相似性,辅助医生评估被试大脑的MRI结构模式,进一步判别其临床诊断类型。由于单一图谱存在潜在的配准偏差,其提取的特征无法有效地揭示AD和对照组之间的复杂差异。本文利用多图谱的互补特征建立AD辅助诊断模型。针对多图谱融合特征维度高,特征工程难以挖掘有效的特征交叉信息的问题,本文通过SENET模块动态学习特征本身的重要性,通过特征交互模块提取二阶交互特征和高阶交互特征,这一过程产生的学习特征更通用,对单个大脑分割方法的依赖性更小。最终模型准确率达到81%,特异性,准确度达到82%。本文利用基于shapley值的特征贡献度计算方法对深度神经网络进行解释,该方法能够对被试个体分类的结果提供了正向特征和负向特征的解释,为临床的个体诊断应用提供重要的参考价值。