阿尔茨海默病的早期阶段（即轻度认知障碍）的检测非常重要,因为它可以延缓或阻止其进展为阿尔茨海默病。从医学影像数据推断出的大脑连接网络已普遍用于从正常对照识别轻度认知障碍患者。然而,现有方法大多仍然受到性能的限制,并且这些方法主要是通过仅使用单一模态数据进行分类来开发的。事实上,已经证明多模态数据可以从不同方面反应大脑信息,提供互补信息更有利于疾病的诊断和分类。同时,由于结构和功能脑网络从不同脑连接层面刻画大脑信息的交互,对二者的联合分析,更有利于阿尔茨海默病的诊断和预测疾病进展的情况。典型的脑网络分析和疾病诊断模型框架主要包括脑网络构建、特征学习和分类预测。即先对结构或功能脑网络进行估计,然后从估计的脑网络中进行特征学习,最终利用学习到的特征构建模型完成脑疾病的分类,实现对样本的诊断和预测。基于此,本文提出两种用于早期轻度认知障碍自动分类的模型。第一,低秩自矫正的脑网络估计和联合非凸多任务学习框架。具体来说,我们首先开发一种新的功能性脑网络估计方法。引入用于自校准的数据质量指标,可以在完成大脑网络估计的同时提高数据质量,并结合低秩模块结构进行相关分析。其次,将功能和结构相关的神经影像学模式集成到我们的多任务学习模型中,以选择具有判别性和信息性的特征进行早期轻度认知障碍分析。不同的模态执行特定的不同分类任务,通过联合学习确定最有鉴别力的特征来确定多个任务之间的异同。该学习过程由非凸正则化器完成,有效地减小了迹范数的惩罚偏差并近似原始秩最小化问题。最后,将疾病最相关特征馈送到支持向量机分类器以进行早期轻度认知障碍识别。本方法对于AD vs SMC,NC vs EMCI,NC vs LMCI,SMC vs EMCI,SMC vs LMCI和EMCI vs LMCI等6种不同分类任务,诊断准确率分别为82.95%,85.23%,87.80%,84.09%,90.24%和81.71%,表明所提出的方法能够有效应用于早期轻度认知障碍的诊断分析研究。第二,整合功能连接和结构连接进行自动加权中心化多任务学习框架。具体来说,通过稀疏低秩的脑网络估计方法构建功能性脑网络,并使用纤维束追踪构建结构性脑网络。随后,我们使用多任务学习方法集成功能连接和结构连接的特征,每个任务的重要性以及两种模态之间的平衡都会被自动学习。通过整合功能性和结构性信息,可以获得疾病最有鉴别力的特征以进行诊断。该方法对不同的分类NC/SCD/MCI,分别获得了84.80%/89.12%/87.82%的平均精度,大量的实验结果表明,我们的算法具有优势。执行广泛的实验以证明所提出的方法在公共数据集上的有效性。本文使用两种模态的数据,包括功能磁共振和弥散张量成像。使用留一法交叉验证方法评估提出方法的分类性能。本文提出的方法具有良好的性能,优于其他传统常用算法。另外,所提出的方法识别出与疾病相关的大脑区域和连接,这些结果与当前的临床发现一致,并为疾病检测和未来的医学分析增加了新的发现。