目的 本论文研究如何整合并优化影像、神经认知评价和生物标记测量等多来源多模态数据以提高阿尔兹海默症发展阶段和转化的分类预测准确率。方法 本文基于阿尔兹海默症影像计划（Alzheimer’s Disease Neuroimaging program,ADNI）2004至2018年四个阶段的样本数据,包括从MRI影像数据提取脑室容量、海马体体积、全脑容量、内嗅皮质、梭状回、颞中回、以及脑容量等脑图像特征数据;神经认知量表数据（简易精神状态测量量表和老年痴呆-认知ADAS-cog13量表）;生物测量数据（Abeta肽,Tau蛋白和p-Tau蛋白及Apo E4基因型）。基于783个样本的基线数据建立二分类和多分类logistic回归模型用于疾病发展阶段的两两和同时分类预测。基于具有MCI状态的352个样本的纵向数据建立二分类logistic回归用于转化状态的分类预测。本研究将脑图像特征变量、量表数据和生物标记加入到基础模型中,通过交叉验证方法随机划分数据集,并计算准确率、查准率、召回率、F1得分和ROC曲线下方面积等指标进行综合比较,得到最优多模态组合的分类预测模型。结果 对于阿尔兹海默症发展阶段的分类,结合脑图像特征数据、量表数据和生物标记数据建立二分类logistic模型表现最佳。区分AD（阿尔兹海默症,Alzheimer Disease）和NC（正常对照组,Normal Control）、MCI（轻度认知功能障碍,Mild Cognitive Impairment）和NC以及AD和MCI的准确率分别达到了100%,77.18%和89.58%;AUC值分别为100%,85.52%和96.39%,比仅用脑图像数据进行进展阶段的分类预测有显著提高。对于阿尔兹海默症MCI转化的分类预测,脑图像特征数据结合量表数据和生物标记能最大程度地提高准确率,从86.69%提高到了90%以上;相应的AUC值从89.21%提高到了94.06%。结论 结合多来源数据能提高阿尔兹海默症疾病进展阶段和转化的分类预测准确率,为临床诊断阿尔兹海默症所处的发展阶段和转化提供理论上的支持。