La enfermedad de Alzheimer (EA) es una de las enfermedades más comunes que causan deterioro cognitivo en personas de mediana edad y ancianos, y el alto costo de la enfermedad plantea un desafío para los sistemas de salud para hacer frente al esperado aumento en el número de casos en el futuro. Con el avance del envejecimiento de la sociedad, China tiene el mayor número de pacientes con enfermedad de Alzheimer en el mundo. Por lo tanto, cómo diagnosticar la enfermedad de Alzheimer de manera temprana y precisa e intervenir de manera positiva es un problema urgente. En este documento, se utiliza la red mejorada MultiRes + UNet para segmentar eficazmente el tejido cerebral en el preprocesamiento. Este método amplía el campo convolucional mediante convoluciones nulas para integrar la información global, mitiga las diferencias entre las características codificador-decodificador mediante el uso de bloques MultiRes y la estructura de ruta Res, reduciendo en gran medida el requisito de memoria y mejorando su precisión, aplicabilidad y robustez. El modelo de atención de medias no locales se introduce para hacer que las categorías de organización mapeadas estén libres de interferencia de ruido. En el problema de clasificación, este documento adopta el modelo de red VoxCNN mejorado para la clasificación binaria de EA, EMCI, LMCI y NC. Los experimentos mostraron que el rendimiento de clasificación del modelo y la tasa de precisión mejoraron significativamente con el efecto combinado de la red mejorada MultiRes + UNet y la red VoxCNN, la precisión de la clasificación binaria fue del 98,35% para EA vs. NC, 89,46% para EA vs. LMCI, 83,95% para LMCI vs. EMCI y 88,27% para EMCI vs. NC.