最近，将多核学习机（MKLM）引入计算机辅助痴呆识别和病理学进展跟踪的研究中。 尽管其良好的性能，特别是在使用异构数据的情况下，这种学习模式及其变体通常利用L1范数约束，该约束会促进稀疏解，这可能会导致潜在的重要信息丢失。 在本文中，我们提出了一种非稀疏的无限核学习机（NS-IKLM），用于从正常对照中自动识别阿尔茨海默氏病。 在我们的方法中，修改后的约束条件用于促进非稀疏解决方案，并且在学习过程中会自动调整内核参数。 已对选自阿尔茨海默氏病神经创动倡议（ADNI）队列的一组FDG-PET图像进