目的　构建一个基于卷积神经网络的深度学习分类模型,以鉴别阿尔茨海默病(Alzheimer＇＇s　disease,AD)和行为异常型额颞叶痴呆(behavioral　variant　of　frontotemporal　dementia,bvFTD)患者,旨提高鉴别诊断正确率.方法　分别对医生诊断的47例很可能AD患者和39例很可能bvFTD患者进行头颅MRI扫描,对结构MRI数据进行预处理后,根据AAL2模板和Harvard-Oxford模板提取全脑不同脑区的灰质体积特征,采用卷积神经网络进行构建分类模型,并对构建的模型进行与传统机器学习方法的对比试验、主要差异脑区的分类试验和年龄差异探讨试验.结果　卷积神经网络基于AAL2模板和Harvard-Oxford模板数据的最高分类正确率分别为82.6％和83.7％,明显优于传统机器学习方法的75.6％和76.7％,2个模板的26个和31个可能主要差异脑区的最高分类正确率分别为79.1％和80.2％.结论　AD与bvFTD可以通过基于卷积神经网络的深度学习模型获得较高的分类正确率,提示该模型可用于辅助鉴别诊断.