目的:为了提高阿尔茨海默病(Alzheimer＇s　disease,AD)分类的准确率,构建一种基于海马MRI数据的DenseNet和通道注意力模块(channel　attention　module,CAM)相结合的AD分类模型.方法:首先,通过结构磁共振图像提取海马感兴趣区.其次,通过优化网络结构将三维DenseNet与CAM相结合构建基于海马感兴趣区的AD分类模型(三维CAM-DenseNet模型).最后,为验证该模型的分类性能,将该模型与多个三维DenseNet模型进行比较,并验证加入纵向数据后对模型分类性能的影响;为评估模型的泛化性,将该模型在3个独立测试集上进行检验.结果:三维CAM-DenseNet模型在区分AD患者与认知正常受试者的分类任务中平均准确率为　95.2％、敏感度为　91.9％、特异度为　97.8％、AUC值为　94.9％,优于其他三维DenseNet模型;在轻度认知障碍相关分类任务中,加入纵向数据可以提升模型的分类性能;训练好的模型在　3　个独立测试集中均表现出良好的泛化性能.结论:构建的三维CAM-DenseNet模型分类准确率高、泛化性好,适用于AD分类研究.