目的：为了提高阿尔茨海默病（Alzheimer’s　disease,AD）分类的准确率，构建一种基于海马MRI数据的DenseNet和通道注意力模块（channel　attention　module,CAM）相结合的AD分类模型。方法：首先，通过结构磁共振图像提取海马感兴趣区。其次，通过优化网络结构将三维DenseNet与CAM相结合构建基于海马感兴趣区的AD分类模型（三维CAM-DenseNet模型）。最后，为验证该模型的分类性能，将该模型与多个三维DenseNet模型进行比较，并验证加入纵向数据后对模型分类性能的影响；为评估模型的泛化性，将该模型在3个独立测试集上进行检验。结果：三维CAM-DenseNet模型在区分AD患者与认知正常受试者的分类任务中平均准确率为95.2%、敏感度为91.9%、特异度为97.8%、AUC值为94.9%，优于其他三维DenseNet模型；在轻度认知障碍相关分类任务中，加入纵向数据可以提升模型的分类性能；训练好的模型在3个独立测试集中均表现出良好的泛化性能。结论：构建的三维CAMDenseNet模型分类准确率高、泛化性好，适用于AD分类研究。