帕金森病是第二大神经退行性疾病,目前患病率呈上升趋势。临床上尚无治愈帕金森病的方法,需要及早诊断患者的临床症状、监测疾病进展并迅速确定最佳的治疗方案。目前临床上对帕金森病的诊断、分级具有一定的主观性,主观的诊断往往会耽误患者病情并加重帕金森病患者家庭和社会的负担。因此,临床上对客观诊断和量化分级帕金森病有迫切的需要。本文从以帕金森病异常步态为研究对象,从特征提取、特征构建等方向出发,充分利用深度学习模型和统计学分析方法,开展帕金森病异常步态的客观诊断和量化分级研究。主要工作:（1）引入深度学习自动提取蕴含内嵌于步态时间序列的非线性异常步态特征并建立泛化性能优越的帕金森病异常步态分级判别模型;（2）构建一个新的准确表征帕金森病异常步态特征的步态对称性量化指标,有助于辅助帕金森病临床诊断。创新成果如下:（1）提出一种面向多传感器的多通道卷积神经网络人体动作深度学习识别模型。该模型引入多通道卷积结构,将多层卷积层和多通道卷积结构相融合,充分利用不同长度卷积核多尺度捕捉时序特征特性,提取与人体动作变化密切相关的最具代表性非线性步态特征,有利于提高动作的识别准确率。实验结果表明,本文所提模型的动作识别准确率可达96.03%,与LSTM等深度学习模型相比,能够较好调控高准确率和低运算时间的平衡关系,有效提高人体动作识别性能。（2）提出一种基于多通道膨胀卷积神经网络的帕金森异常步态鉴别模型。该模型鉴于帕金森异常步态信号高频特性,引入膨胀卷积结构和隐藏的全连接层,充分利用膨胀卷积动态增大卷积核感受野和全连接层对特征的融合能力,高效提取蕰含在步态信号内的更具帕金森异常步态非线性特征信息,有效提高鉴别异常步态准确度。实验结果表明,本文所提模型能够准确提取与帕金森异常步态密切相关的非线性异常特征信息,识别准确率达99.21%,显著提高不同严重程度的帕金森异常步态判别率,有望成为临床帕金森病分级辅助诊断方法。（3）提出一个新的表征帕金森异常步态对称性特征的“面积对称指标”。该对称指标通过左、右下肢步幅序列对间的面积表征左、右下肢的步态差异性,从而量化人体步态对称性。实验结果显示,健康对照组、帕金森病轻度组和帕金森病重度组的面积对称指标依次为（2.08±0.41）、（3.09±0.96）和（4.75±2.37）,各组间差异显著（p<0.05）,表明面积对称指标能够有效地量化人体步态对称性。进一步统计分析发现,面积对称指标与帕金森病H&Y级别具有较强相关性,相关系数为0.832,有望成为帕金森病量化分级的重要特征。