目的 本研究利用阿尔茨海默病(Alzheimer′s disease, AD)患者的临床数据、结构核磁共振(structuralmagnetic resonance imaging, sMRI)数据、正电子发射断层扫描(positron emission tomography, PET)数据构建分类效果好的辅助诊断模型，以便在患者早期制定个性化的治疗方案，这对AD的防治具有重要意义。方法 本研究从ADNI-1(Alzheimer′s disease neuroimaging initiative-1)数据库中选取含有完整sMRI图像和PET图像的研究对象共401例，利用MATLAB的统计参数图(statistical parameters mapping, SPM)、基于体素的形态学分析(voxel-based morphometric, VBM)对研究对象的sMRI图像和PET图像进行空间标准化、颅骨剥离等预处理操作，借助脑图谱实现大脑组织结构的分割并基于自动解剖标记模板(anatomical automatic labeling, AAL)对分割出的灰质进行相应脑区的特征提取，然后对提取出的特征值进行Fisher Score、支持向量机特征递归消除(SVM-RFE)和LASSO三种不同原理的混合过滤式-包裹式-嵌入式特征选择，实现高维影像数据的降维。最后基于多视图决策融合对临床、sMRI、PET多视图数据构建基于PAC-Bayesian理论提升的多视图学习(PAC-Bayesian strategy boosting based multi-view learning, PB-MVBoost)模型并与串联视图后构建的传统机器学习模型支持向量机、决策树、最近邻算法、随机森林、AdaBoost、XGBoost和多视图多核学习模型(AverageMKL、EasyMKL)以及同属多视图决策融合的多视图混淆矩阵提升模型(MuComBo)进行对比。结果 在AD-MCI的所有多视图融合模型中，基于决策融合的PB-MVBoost模型性能最优(accuracy=0.98,F1-score=0.97, precision=0.98, recall=0.96, MSE=0.07)。在MCI-NC的所有多视图融合模型中，基于决策融合的PB-MVBoost的模型性能最优(accuracy=0.99,F1-score=0.98, precision=0.99, recall=0.98, MSE=0.05)。结论 在AD-MCI、MCI-NC分类中，PB-MVBoost模型的区分度、校准度均取得了最优，表明了基于决策融合的PB-MVBoost分类器构建的阿尔茨海默病辅助诊断模型表现最好，可以提高对轻度认知障碍患者的识别，进而辅助临床诊断。