La enfermedad de Alzheimer (EA) es un problema neurológico progresivo que causa atrofia cerebral y afecta la memoria y las habilidades de pensamiento de un individuo. La detección precisa de la EA ha sido un tema de investigación desafiante durante mucho tiempo en el área del procesamiento de imágenes médicas. Detectar la EA en su etapa más temprana es crucial para el tratamiento exitoso de la enfermedad. El propuesto Adaptive Hybrid Attention Network (AHANet) tiene dos módulos de atención, a saber, Enhanced Non-Local Attention (ENLA) y Coordinate Attention. Estos módulos extraen características a nivel global y a nivel local por separado de las imágenes de Resonancia Magnética (RM) del cerebro, aumentando así el poder de extracción de características de la red. El módulo ENLA extrae información espacial y contextual a escala global, capturando también importantes dependencias a larga distancia. El módulo Coordinate Attention captura características locales de las imágenes de entrada. Incorpora información posicional en el mecanismo de atención del canal para una extracción de características mejorada. Además, se propone un módulo de Agregación de Características Adaptativas (AFA) para fusionar características de los niveles global y local de manera efectiva. Como resultado de incorporar las mejoras arquitectónicas mencionadas en la arquitectura DenseNet, la red propuesta mostró un mejor rendimiento en comparación con los trabajos existentes. La red propuesta fue entrenada y probada en el conjunto de datos ADNI, obteniendo una precisión de clasificación del 98.53%.