阿尔兹海默症是一种神经不可逆疾病,在时间的逐渐推移过程中,患者自身的病情也将愈发严重。医学上将阿尔兹海默症的发展分为三个阶段,分别是认知正常（CN）、轻度认知障碍（MCI）和确诊阿尔兹海默症（AD）。目前,核磁共振（MRI）影像中海马体部位的体积和形态特征已经被用作诊断阿尔兹海默症的重要生物标志物,因此,针对海马体的研究对阿尔兹海默病的辅助诊断有着重大意义。本文以结构核磁共振（sMRI）影像为研究对象,首先提出了3DUnet-CBAM模型对三维海马体影像精确分割,接着提取海马体的影像组学特征,最后经过特征筛选融合、训练后,可以实现对阿尔兹海默症的分类预测。本文的主要研究内容和工作有:1)针对海马体体积小且边缘难以精准分割的特点,本文提出了一种基于3DUnet-CBAM的海马体分割模型。首先对数据进行预处理,该模型以3DUnet作为基础网络结构,采用三维卷积网络来避免二维切片之间的信息丢失,在下采样最后一层中融合CBAM注意力机制,使海马体影像的深层特征和浅层特征有效结合,最终提高了海马体的分割准确率。实验结果显示,该模型在验证集下的Dice相似性系数、精确率和召回率分别达到了89.01%、89.04%和88.97%。2)以分割后的海马体为研究对象,引入了绝对体积与相对体积的概念,通过实验证明了海马体的相对体积对AD的分类性能优于海马体的绝对体积,并针对阿尔兹海默症诊断的不同阶段,提出了基于影像组学的阿尔兹海默症分类模型,先提取海马体的影像组学特征,然后使用递归特征消除法筛选特征,接着将影像组学特征与海马体的相对体积结合,采用Adaboost分类器训练,实验结果显示,AD、MCI和CN分类的F1分数分别为0.89、0.86和0.91。3)本文结合上述模型与方法,设计并实现了基于海马体影像组学的阿尔兹海默症辅助诊断系统,其中包含了从二维DICOM影像到三维NIFTI影像的格式转换、海马体的体积测量以及智能辅助诊断等功能。用户可以通过输入sMRI影像来对海马体进行自动分割,输出海马体的相对体积以及对病情进行预测。