阿尔茨海默病为不可逆性的神经退行性疾病,目前暂无治愈的特效药和相关技术,因此尽早发现其前期阶段——轻度认知障碍并尽早治疗成为挽救患者的唯一途径。在此类神经性疾病的计算机辅助诊断中,常用到磁共振影像,但是数据维度高且有效训练样本少成为影响识别率的重要因素。本文主要的研究目的是提高基于高斯过程分类方法对AD/MCI计算机辅助诊断的性能。具体工作内容如下:1.讨论了几种常用的分类方法,详细研究了高斯过程分类模型的建模方法及求解流程。针对后验分布难于直接积分求解问题,重点探讨了分类应用下的Laplace逼近算法。详细阐述了本文所使用的分类器性能评价指标,以此验证改进的分类方法的有效性。2.对AD/MCI小样本分类问题,以高斯过程为基础设计了一种分步的分类方法:先对测试样本利用高斯过程进行初步分类;依据后验概率筛选类别归属确定性强的样本作为补充参与训练,对其余错分可能性相对较高的样本重新进行分类。利用ADNI数据库磁共振影像的分类实验表明二次分类倾向于增大样本归属于真实类别的后验概率、提高类别判定的确定性,分类性能优于常规的高斯过程分类方法和支持向量机。3.为增强高斯过程分类模型对高维复杂数据集的学习能力,根据深度信念网络模型的构成思想,设计了一种多层高斯过程分类模型:通过变分推断技术堆栈任意数量的高斯过程,在得到变分下界后利用随机梯度下降算法进行参数优化,最后利用训练好的多层模型以及Logistic激活函数对测试样本实现分类。利用磁共振影像数据进行分类,对隐含层不同数量下的识别率进行对比,找出最佳隐含层数量;通过与常规高斯过程分类和支持向量机方法下的识别结果进行对比,验证了多层高斯过程分类方法的有效性。