1.一种基于改进的3D CNN网络的阿尔茨海默病分类方法，其特征在于，包括如下步骤：（1）使用3D CNN建模：首先构建包含六个模块的2D的VGG网络模型，再将其中的2D CNN部分替换为3D CNN，将2D Maxpooling层替换为3D Maxpooling层，形成 3D VGG网络模型；

所述3D VGG网络模型的第一个模块包含两层5*5*5的卷积层，第二个模块包含两层3*3*3的卷积层，第三、第四、第五个模块均包含三层3*3*3的卷积层；最后，修改第六个模块，即分类层，添加3个维度分别为2048、1024、3的全连接层；

（2）优化模型结构：在3D VGG网络模型的前五个模块的3D CNN层之后先添加批量归一化层，然后再添加跳跃连接，将前一个模块提取的数据特征经过1×1×1的卷积处理，并进行批量归一化后，与当前模块提取的数据特征相加，作为下一个模块的输入；

（2.1）在每个模块的每个卷积层后添加批量归一化层，即为输入激活函数的特征xl进行如下公式的归一化其中xl表示第l层卷积的输出特征图，μ为输入特征图沿着通道方向计算的平均数，σ为输入特征图沿着通道方向计算的方差；公式中的ε是一个为了归一化后的数值稳定而设置的常量，加入的缩放变量γ和平移变量β为BN层可训练的参数；

（2.2）将来自第i-1个模块的输出特征图xi-1输入第i个模块，经过步骤（2.1）处理得到第i个模块的输出特征图xi，再将xi-1输入到跳跃连接进行处理，则得到分支特征ri，对输出特征图xi和分支特征ri进行如下公式的叠加，得到输出特征H(xi)：将H(xi)输入第i个模块的最后一个3D Maxpooling层，得到该模块的输出特征，即第i+1个模块的输入特征；

（3）从阿尔兹海默症神经成像计划数据集选取核磁共振数据，并对数据进行预处理，再划分成训练集和测试集；

（4）模型训练：将步骤（3）处理得到的训练集数据输入步骤（2）得到的模型，进行迭代，每次迭代后计算模型分类的准确率，并保留到当前迭代为止准确率最高的模型参数；达到设定的迭代次数后，输出模型参数；

（5）将待分类的测试集数据输入步骤（4）保存的最优网络模型中，得到对应的分类结果。

2.根据权利要求1所述的基于改进的3D CNN网络的阿尔茨海默病分类方法，其特征在于，所述的步骤（1）中，3D CNN层对输入的核磁共振数据作如下处理，得到特征图xl：其中，xl(a,b,c)为第l层卷积的输出特征图的像素点，(a,b,c)为点坐标，(d,e,f)表示特征图尺寸，K表示卷积核，其尺寸为SizeK=k×k×k。