帕金森病(Parkinson’s Disease,PD)又称之为震颤麻痹,是仅次于阿尔茨海默氏症的第二大神经系统疾病。传统帕金森患者的病情检查方法是测定统一帕金森病评定量表(Unified Parkinson’s Disease Rating Scale,UPDRS),诊断过程需要医生和患者共同完成,具有一定的主观性;同时由于帕金森患者行动不便,这不仅一定程度上耗费了患者的时间和精力,也占用了日益紧张的医疗资源。在该状况下,实现帕金森病早期诊断和病情级别预测对于治疗帕金森病具有重大意义。帕金森患者早期发病时大多会出现不同程度的语音障碍,同时还会表现出静止性震颤、肌肉僵硬等运动症状。本论文试图利用帕金森患者的手部震颤信息与语音损伤信息,实现对患者的病情早期诊断和病情UPDRS预测。论文对基于手绘图和语音的帕金森病情诊断和预测方案展开了研究,具体研究工作如下:首先,介绍了相关理论基础和技术,如用于手绘图片处理的图像处理技术和用于语音处理的语音处理技术。并对帕金森语音特征进行了分析,同时介绍了语音特征提取算法,包括线性和非线性的特征提取算法。然后介绍了帕金森病情UPDRS预测相关的回归方法和多任务学习方法,并对第三章运用到的深度学习技术进行了介绍。其次,开展了基于手绘图的帕金森病情诊断方案设计。通过分析公开的帕金森手绘图数据集发现帕金森患者的手部功能紊乱对病人手绘图片有很大的影响。传统的基于手绘图的帕金森病情诊断方法是在手绘图片上提取相关特征,然后利用机器学习分类算法来实现早期帕金森病情的诊断。由于在手绘图上提取的特征相对较少,训练模型对患者的诊断准确率很低,从而导致传统的帕金森病情诊断方法诊断性能不佳。为解决该问题,本论文引入了深度学习工具,搭建了卷积神经网络模型来实现帕金森患者的早期诊断。结果表明,所提出的基于卷积神经网络的方法能够有效提高帕金森病情诊断的准确率。最后,进行了基于语音的帕金森病情UPDRS预测方案设计。通过分析公开的帕金森患者语音数据,发现了帕金森患者语音数据的内在规律。传统的基于语音的帕金森病情级别预测方法是单任务预测,即对运动症状评分和总体症状评分进行分别预测。由于无法利用任务之间的共享信息,因而传统的预测方法通常预测性能不佳。基于此,本论文提出引入多任务回归算法来实现帕金森患者病情UPDRS的预测。结果显示,所提出的多任务回归算法能够有效提高帕金森患者的UPDRS预测准确率。