Conforme dados da Organização Mundial de Saúde (OMS), do ano de 2022, aproximadamente 55 milhões de indivíduos são afetados por algum tipo de demência, com o Mal de Alzheimer representando entre 60% a 70% desses casos. Este grave problema está entre as dez piores causas de morte em todo mundo e gera um grande custo global anualmente, com um preço estimado em 1,3 trilhões de dólares americanos em 2019, sendo boa parte destinada a cuidados com os pacientes. O Alzheimer é desencadeado pelo acúmulo de depósitos fibrilares nos vasos sanguíneos do cérebro, levando a alterações no córtex entorrinal, hipocampo e estriado ventral. Essas mudanças podem ser mais claramente observadas por meio de neuroimagens obtidas por ressonância magnética, que, até o momento, configura-se como o método mais eficaz para esse propósito. Todavia, muitos desses detalhes são capazes de passar despercebidos a olhos humanos, principalmente quando em estágios iniciais da doença, onde são minuciosos, podendo levar a diagnósticos tardios ou incorretos, resultando em uma qualidade e expectativa de vida reduzida para o paciente. Desta forma, essa pesquisa visa desenvolver um software, utilizando inteligência artificial, capaz de identificar os sinais do Mal de Alzheimer e classificar seu estágio através da análise de padrões em imagens cerebrais de ressonância magnética. Inicialmente, com acesso ao banco de dados de neuroimagens da Alzheimer ‘s Disease Neuroimaging Initiative (ADNI), adquiriu-se 6400 amostras, que foram utilizadas para treinar o modelo e testá-lo. Estas, foram pré-processadas, redimensionando-as e corrigindo possíveis píxeis defeituosos, deixando-as num modelo padrão. A programação da rede neural de classificação foi implementada utilizando-se do software Visual Studio Code, na linguagem Python, com as bibliotecas Tensor Flow e Keras. O tipo de rede escolhido foi a Convolucional (CNN), focada no reconhecimento de imagens, que extrai seus dados através da aplicação de múltiplos filtros, chamados de kernels. Foi feita uma distribuição do banco de dados em uma proporção de 80:20, sendo 80% dele redirecionado para o treinamento da rede e 20% divididos entre testes e validação do sistema. Foram, também, aplicadas camadas de dropout, responsáveis por desativar um percentual dos neurônios durante o treinamento, a fim de evitar o overfitting e ter um resultado mais preciso ao mesclar o banco de dados da ADNI com modelos de imagens que não pertenciam a ele, permitindo uma maior adaptabilidade da rede. Após a análise dos resultados, o índice de acerto obtido foi de 95,2%, o que demonstra que o modelo utilizado é eficaz e atende o propósito inicial dessa pesquisa. Esse sistema, após passar por uma validação médica e possíveis ajustes, pode ser usado como ferramenta de auxílio para a detecção dos estágios do Mal de Alzheimer. Palavras-chave: Alzheimer. Inteligência Artificial. CNN. Ressonância Magnética.