阿尔兹海默症(Alzheimer’s　disease,AD)一经发现难以逆转,早期诊断对延缓AD的病程发展非常重要.　虽然深度卷积网络近年来在图像识别领域有着大量突出的表现,但将从自然图像中训练得到的二维经典的深度网络直接运用到三维的结构磁共振影像(structural　magnetic　resonance　imaging,sMRI)上进行AD疾病状态的分类还存在一些问题.　基于194　例　AD、123　例晚期轻度认知障碍(late　mild　cognitive　impairment,LMCI)与105　例正常老化(normal　control,NC)的sMRI,运用特征迁移学习的方法,从经典的深度卷积模型——AlexNet中提取各阶段受试者的图像特征,并对所提特征进行三维重组,再运用最大池化、主成分分析等方式降维,并运用向前序列选择方法对各分类组进行特征选择,最后运用支持向量机建立分类模型,实现AD、LMCI与NC的分类.　在AlexNet的三、四、五层卷积层,AD与NC的分类准确率分别为89.　93%、91.　28%、87.　25%,AD与　LMCI的分类结果分别为80.　77%、76.　92%、78.　21%,NC与LMCI的分类结果分别为72.　46%、75.　45%、73.　65%.　结果证明,通过经典卷积网络获得的特征,经过三维重组,能够较好地对AD实现分类.