阿尔兹海默症(Alzheimer’s Disease,AD)是一种最常见的痴呆症,发病者大多为老年人。AD是一种神经变性紊乱疾病,关于其发病机制目前仍未有非常明确的说法。AD病情的发展是一个渐进、平缓的过程,患者的记忆、注意力、语言等认知能力将逐渐减退或者受损,最终患者会出现昏迷状况,通常死于感染等并发症。随着现在国家人口老龄化日益严重,AD的发病率会越来越高,由其引发的开销和损失也是不可估量的。对于AD患者以及他们的家人来说,除了巨大的经济负担以外,更难以承受的则是精神和情感上的巨大压力与折磨。临床和神经病理学研究已经极大地推进了人们对AD病理生理和疾病发展的认识,但是目前还没有任何诊断方法可以对活体个体进行AD的确诊,只有在个体死亡后对其进行尸检才能确诊。所以,寻找一种无创伤性的AD临床诊断方法具有重要的理论和实际意义。随着医学影像技术的发展,基于医学影像的临床评估方法已经逐渐成为AD临床诊断中一个重要组成部分,其中又以结构磁共振成像(structural magnetic resonance imaging, sMRI)的使用最为广泛。sMRI图像能够客观记录下从疾病潜伏期到发作期整个过程中AD患者脑结构生物标记的变化,这些数据能够从根本上改变人们对这种疾病的认识,并且能够影响和引导疾病的后续诊断和治疗。传统的sMRI图像处理方法工作量大、耗时长、过程复杂,对使用者的先验知识要求较高,现在需要一种全自动的sMRI数据分析方法来识别和检测受试者脑结构中潜在的AD生物标记。盲源分离、子空间学习和机器学习等信号处理方法的进展为全自动的sMRI数据分析方法提供了可能的技术手段,利用这些信号处理方法可以从受试者的sMRI数据中提取出关键信息并对其是否患有AD进行诊断。独立成分分析(independent component analysis,ICA)作为一种盲源分离方法,近几年有不少学者将其用于AD的sMRI数据分析。在这些研究中,研究者们假设各受试者的sMRI影像之间是相互独立的,然后用ICA对向量化后的sMRI影像做特征提取,提取出的特征用于后续对受试者的分类诊断。但这种模型在用ICA做特征提取时需要用到一组受试者的sMRI影像,当有新增单个受试者时无法立刻对其sMRI数据进行特征提取进,进而导致无法诊断。这一缺点使得这种诊断方法不符合临床诊断的需求,即在临床上希望每有一个新增受试者都可以即刻对其进行诊断。针对这一问题本文提出一种新的ICA特征提取模型,基于该特征提取模型的诊断方法可以对新增单个受试者进行诊断。该模型假设每个sMRI影像的各体素之间是相互独立的,然后先利用一组sMRI训练数据训练出解混矩阵,这样当有新增sMRI数据时可以利用训练好的解混矩阵即刻对其进行特征提取,进而进行后续的诊断,满足临床诊断的需求。仿真实验证明,本文提出的新的基于ICA的诊断方法可以达到与原ICA诊断方法相当的诊断准确率,且更符合实际诊断时的需求。包括ICA在内的很多线性特征提取方法在AD的sMRI数据分析上表现出了良好的性能,但是这些线性特征提取方法都需要将原始的三维sMRI影像向量化之后才能对数据进行分析。这样处理带来的后果是原始三维图像数据中的空间信息会遭到破坏,造成了大量有效信息的丢失；同时,sMRI影像的数据量非常大,因此向量化之后得到的向量维数非常高,而受试者的数量是有限的,这样就可能会导致小样本问题(under sample problem)。针对这些问题,本文主要提出了一种基于非相关多线性主成分分析(uncorrelated multilinear principal component analysis, UMPCA)和拉普拉斯分值(laplacian score, LS)的新分类诊断方法。UMPCA是一种多线性子空间学习方法,用其对sMRI数据进行特征提取可以用直接张量模型来表示三维影像数据并对其进行处理,而不需要将原始的三维sMRI数据向量化,保留了原始数据的空间结构信息,避免了前面所提到的向量化带来的问题；另外,特征提取后的信息仍有可能有一定的冗余度,在提取sMRI数据特征信息后加入了LS特征选择的过程,可以进一步减少冗余信息,降低计算复杂度,选取出区别度高的特征,有效地提高了之后诊断过程的准确率。仿真实验表明,同现有的诊断方法相比,本文提出的UMPCA-LS分类诊断方法准确率更高。