针对脑认知疾病的检测困难和识别准确率低等问题，将卷积神经网络的局部依赖建模能力和注意力机制的全局依赖建模能力相融合，提出了由多头注意力引导的卷积神经网络(MAGINet:Multi-Head Attention-Guided Convolutional Network),用于识别正常(NC:Normal Control)、早期轻度认知障碍(EMCI:Early Mild Cognitive Impairment)、晚期轻度认知障碍(LMCI:Late Mild Cognitive Impairment)和阿尔茨海默症(AD:Alzheimer's Disease),探索NC经MCI(EMCI和LMCI)到AD的完整演化过程。首先，将3种功能连接网络(FCN:Functional Connectivity Network)变体的互补信息进行整合，形成一个多视图学习框架。其次，在每个视图下的卷积神经网络模块中，设计了一种新的多头注意力模块，先后通过完成自注意力、通道注意力及空间注意力帮助建模全局依赖关系，弥补卷积神经网络的局部机制优化模型的性能，并证明了其有效的信息提取能力。最后，将该模型用于多个脑病分类，实验结果证明了模型的强大通用性和可重复性。