帕金森病（Parkinson’s disease,PD）是一种常见于老年人的神经系统退化性疾病,通常伴随着不同程度的运动和非运动性症状。运动迟缓是帕金森病的主要临床表现之一,也是作为临床筛查和诊断的一个主要依据。目前,帕金森病的诊断监测主要依赖于医生的个人感觉和临床经验,具有不同程度的主观性和个体差异性。因此,对PD患者的运动症状进行量化评估是PD诊疗中的一个难点和重点。本文基于光学三维动作捕捉设备,通过对帕金森患者上肢和下肢精细动作的捕捉,深入分析帕金森病人的运动迟缓症状。针对动作捕捉系统的高精度特性,对记录得到的原始信号进行去噪、预处理、以及相关特征的提取等操作,并且建立帕金森运动迟缓症状的量化评估技术。本文的主要内容概括如下:（1）基于高精度光学动作设备的量化检测系统的设计与搭建,并且针对帕金森患者设计了相应的实验范式,建立运动迟缓数据库,用于进一步量化评估。（2）深入研究了帕金森运动迟缓症状的生理和临床特性,基于帕金森病综合评分量表（the Unified Parkinson’s Disease Rating Scale,UPDRS）所要求的准则对动作捕捉数据进行特征的手动提取,特征提取主要依据幅值、速度、平滑性三个方面,在健康人和不同严重程度的帕金森患者之间具有区分性。（3）采用多种监督学习方法建立量化评估模型,用于帕金森患者与健康人之间的二分筛查和不同严重程度的帕金森患者之间的细化分级。并且针对实验数据中的类别不平衡问题,讨论CS-SVM模型相比于欠采样和过采样方法能有更好的效果,实验结果证明了手动特征提取的有效性和分类评估的准确性。（4）更进一步地,通过深度学习,讨论数据扩增方法和端对端的LSTM与GRU网络方法对原始时序数据进行训练可以提高分类准确率,优化评估效果。最终的实验结果证明了本研究中的一系列数据处理、特征提取和学习方法面对实验对象的不同严重程度的运动迟缓动作具有区分性,验证了光学动作捕捉设备用于帕金森量化评估的可行性和可靠性,具有较大的实用意义。