针对目前阿尔兹海默病(AD)辅助分类技术中基于单模态影像数据实现AD分类方法存在分类准确率偏低、影像特征提取不稳定以及单模态数据提取病理信息有限等问题，提出了一种基于多模态数据的阿尔兹海默病分类方法。该方法首先根据临床中对AD诊断时需要多种检查方式综合分析特点，采用核磁共振成像(MRI)、量表、生物标志物、基因四种多模态数据实现AD辅助诊断，其中针对多模态数据的特点设计了多模态分类网络，在网络设计上搭建了影像数据和非影selleck激酶抑制剂像数据两条特征提取网络分支，分支1将MRI影像数据预处理后送Immune magnetic sphere入改进后的网络中进行特征提取，改进的网络以残差网络(ResNet)为主体将坐标注意力模块嵌入到残差结构之中，使网络模型关注到MRI影像中的AD病变位置区域；分支2将量表、生物标志物和基因等非影像数据送入多层感知机中提取特征信息，最后将提取到的MRI影像特征和非影像特征通过特征融合后实现分类。实验结果表明，在无泄漏多模态数据集下，改进后的MRI影像特征提取网络相较于基础网络Res Net，阿尔兹海默病(AD)/轻度认知障碍(MSAG抑制剂CI)/认知正常(CN)三分类准确率提升了5.42个百分点,AD/CN二分类准确率提升了8.87个百分点，证明了网络改进的有效性；多模态融合后的AD/CN准确率为92.89%，相较于单模态MRI影像数据提升了8.40个百分点，AD/MCI/CN分类准确率更是提升了13.51个百分点，有效地验证了提出的方法能融合各种模态的病理信息从而提高AD分类的准确率。综上，所提出方法能有效地提升阿尔兹海默病辅助诊断性能。