阿尔茨海默症（AD）是一种起病隐匿的进行性神经退行性疾病，会使患者的大脑脑区结构发生改变。为辅助医生对AD患者的病情做出正确判断，提出了一种改进的三维主成分分析网络（3DPCANet）模型，并结合被试者全脑均值低频波动振幅（mALFF）图像来对AD进行分类。首先，对功能磁共振成像（fMRI）数据进行预处理，计算出全脑mALFF图像；然后，利用改进的3DPCANet深度学习模型进行特征提取；最后，使用支持向量机（SVM）对不同阶段的AD患者的特征进行分类。实验结果显示，所提模型简单，鲁棒性好，且其在主观记忆衰退（SMD）与AD、SMD与晚期轻度认知障碍（LMCI）以及LMCI与AD上的分类准确率分别达到了92.42%、91.80%和89.33%，验证了提出方法的有效性和可行性。
