阿尔茨海默症（Alzheimer’s Disease,AD）是最常见的神经退化疾病之一,严重危害患者的生命健康。核磁共振成像（Magnetic Resonance Imaging,MRI）和正电子发射计算机断层成像（Positron Emission Tomography,PET）可以分别提供大脑的结构与功能信息。国内外最新研究表明,结合同一受试者的MRI和PET图像将有助于提升AD辅助诊断的准确性。但在定期收集受试者MRI和PET图像时,由于PET图像成本高、辐射大等问题,造成大部分受试者只有MRI图像,没有PET图像,或只有少量PET图像,致使AD数据集中大量PET图像缺失。这使得可用于训练AD辅助诊断模型的数据不足,导致AD诊断模型性能不佳。因此,本文首先使用深度学习方法从MRI图像补全AD数据集中缺失的PET图像,然后利用多模态学习的方法将同一受试者的MRI和PET图像进行特征融合,用于AD辅助诊断。国内外权威研究已经证实,使用同一时期收集的MRI图像生成同一受试者的缺失PET图像这项技术具有可行性。例如在MICCAI会议和IEEE TRANSACTIONS ON MEDICAL IMAGING等SCI期刊上都有相关的权威论文。中科院计算所与北卡罗莱纳大学等科研机构也正在进行相关研究,并已经有研究成果发表。本文的具体研究如下:（1）针对目前与AD相关的数据集中缺失大量PET图像,以及传统AD辅助诊断方法数据样本小的问题,本文提出一种基于深度学习的PET图像生成方法,使用同一时期收集的MRI图像生成该阶段同一受试者缺失的PET图像。具体地,本文对cycle-GAN网络生成器进行改进,在生成器中引入U-Net网络思想,并加入注意力机制。在生成器中引入注意机制后,生成器能够更好地关注到MRI与PET图像不同区域之间的位置信息和难以生成的区域,生成高质量的PET图像。（2）针对目前AD辅助诊断方法将MRI和PET图像的特征融合与AD辅助诊断分成两个独立的阶段,导致AD诊断模型性能不佳,以及传统多模态特征融合方法无法较好地学习MRI与PET图像之间潜在互补特征的问题。本文提出了一种基于多模态学习的AD辅助诊断方法,使用同一受试者的MRI和PET图像进行AD辅助诊断。具体地,该方法采用分层分解的策略,通过深度非负矩阵分解方法将同一受试者的MRI和PET图像的特征融合与AD辅助诊断集成到一个统一的模型中,学习MRI和PET图像的潜在互补特征。此外,为了解决生成的PET图像缺失标签的问题,本模型使用同一受试者真实MRI图像来标记生成的PET图像,进一步提升AD辅助诊断的准确性。（3）针对传统AD辅助诊断方法使用MRI和PET图像切片进行AD辅助诊断,导致AD辅助诊断准确性不佳的问题。本文使用同一受试者的3D MRI和PET图像进行AD辅助诊断,3D MRI和PET图像能够提供更加全面的AD疾病信息,更好地挖掘MRI和PET图像之间的潜在互补特征,帮助提升AD辅助诊断的准确性。本文在国际公开权威数据集ADNI上设计的一系列实验结果表明,本文提出的方法在PET图像生成,以及AD辅助诊断两方面均表现出良好的性能。