阿尔茨海默病(AD)是一种不可逆的神经退行性疾病,临床表现为记忆下降和其他认知功能损害。轻度认知障碍(MCI)是AD的前驱阶段,但尚未达到痴呆状态。目前对AD仍无有效的治疗手段,许多研究基于单一模态的脑影像数据进行早期诊断研究,但效果不理想。脑影像技术日趋成熟,基于多模态脑影像数据能够获取与疾病相关的更加综合的信息,对AD的早期诊断具有重要的临床价值。多模态脑影像特征通常维度较高,而使用单分类器对高维数据进行分类时通常时间复杂度高且分类效果差。因此,本研究从集成学习方法角度出发,使用多模态特征对早期MCI、晚期MCI、AD及正常老年组进行了分类研究,以期实现计算机辅助诊断。主要工作如下:(1)数据收集整理。收集四组被试的sMRI数据、PET数据和DTI数据,并对每种模态的原始数据进行预处理,降低图像噪声,为后续特征提取做准备。(2)特征提取。对预处理后的sMRI和PET数据采用了两种不同的特征提取方法,第一种是基于AAL模板的特征提取方法;第二种是基于显著性检验的特征提取方法。对预处理后的DTI图像,首先得到各向异性(FA)和平均弥散率(MD)图谱,然后分别对四组被试的FA图和MD图进行显著性分析,提取每个被试差异脑区的FA、MD值作为分类特征。(3)集成学习方法研究。近几年在AD研究领域,集成学习方法成为了机器学习领域的研究热点。本研究提出了PCA-FLDA集成分类器,其基本原理是通过PCA方法得到不同能量的特征子空间,利用每个特征子空间分别训练得到基分类器,最后多个基分类器通过加权投票机制得到最终的分类结果,其次本研究在以往研究的基础上实现了一种多分类器加权投票集成分类方法,该方法是将线性判别分析、朴素贝叶斯、SVM、BP神经网络和Adaboost五种分类器利用加权投票策略集成。(4)分类实验。研究结果发现,采用相同的分类方法时,差异显著的感兴趣区特征比全脑特征获得的分类效果好;采用相同的分类特征时,集成分类器的分类效果均优于单分类器;结合多模态特征比单模态特征获得的分类效果好;采用多分类器投票集成分类方法进行四组间两两分类实验时,分类准确率并没有明显的提高,且耗时远远多于单分类器及PCA-FLDA分类器。而采用PCA-FLDA集成分类器进行四组间两两分类实验时,分类效果有明显的改善,且时间复杂度低。本文给出的PCA-FLDA集成分类器能够在一定程度上提高分类准确率同时降低分类准确率对前期特征空间选择的依赖。实验中以三种模态差异显著脑区特征的组合进行分类时,在AD vs.NC、AD vs.EMCI、AD vs.LMCI、EMCI vs.LMCI、EMCI vs.NC以及LMCI vs.NC之间分类准确率分别为95.65%、88.64%、82.35%、86.05%、60.53%和77.78%。