帕金森病是一种常见于中老年人的进行性神经系统退化疾病。该疾病往往伴有多种运动症状和非运动症状。为了延缓这种疾病进一步恶化,准确的帕金森病诊断是一种有效的方式,这样可以做到早发现早治疗,减轻病人的身心痛苦。因此本文提出基于关系正则化的帕金森病诊断和预测模型,细分为两个研究点:第一,本文提出一种利用基线多模态数据进行帕金森病诊断的联合分类和回归框架。具体而言,本文提出一种联合多任务特征选择模型,以探索在特征、样本和临床评分中的多种关系,进而选择出最具信息性和与疾病相关的特征。进一步,本文利用选择的特征进行帕金森病的分类,并对四种临床得分进行回归预测。第二,本文提出一种新的无监督特征选择方法,该方法利用纵向多模态数据进行联合嵌入学习和稀疏回归。具体地,所提出的方法同时执行特征选择和局部结构学习,以自适应地确定相似矩阵。同时本文约束相似性矩阵使其连通分量数等于分类数,以获得数据结构的最准确信息。基线数据用于建立特征选择模型以选择最具辨别力的特征。进一步,本文利用选择的特征建立四个回归模型,进行临床得分预测。同时本文训练一个分类模型去预测未来时间点数据。广泛的实验被执行以证明所提出的方法在公共数据集上的有效性。本文使用12月和24月的数据去评估提出方法的分类性能。同时本文使用10折交叉验证法来验证基线数据的分类和回归性能。实验结果表明,本文提出的方法可以提高纵向数据中临床评分预测和类别标签识别的性能,并且优于现有方法。