帕金森病（Parkinson’s disease,PD）是一种常见的神经变性病。目前,帕金森病的患病原因和机制没有明确,早期诊断确诊率低。帕金森病早期诊断的主要困难在于其早期特异性症状不明显,肉眼难以观察,医生主要通过临床经验进行诊断,具有强烈的主观性。对于传统诊断方式的困境,数据挖掘技术在帕金森病的早期诊断方面有很大的天然优势,数学模型更适合于检测与疾病相关症状的细微变化,许多肉眼难以捕捉的变化和其深层的关联都可以被有效提取。因此,本文提出了一种基于数据挖掘技术的帕金森病早期诊断方法。首先,介绍了数据挖掘技术相关的理论基础,具体包括常见分类模型、常见数据增强方法和常见模型融合方法三方面。其次,完成了帕金森病字迹数据集的构建,包括数据采集和数据预处理两部分。在数据采集过程中,通过对帕金森病患者和健康人字迹信息的特异性分析,有针对性地设计了帕金森病字迹采集表。在数据预处理过程中,对原始表格进行处理,制作模板。然后,借助模板的尺寸信息和人工标定的书写区域信息对实验数据进一步处理。然后,完成了基于字迹信息的帕金森病诊断算法设计。算法总共分为四层,分别为数据层、特征层、模型层、输出层。围绕本课题数据集的多数据源、字迹图片信息量少、不同类型样本之间差异性小、样本量小等特点,在算法整个设计过程的核心思想为以宽度代替深度,即使用更多的数据源和模型实现特征的高阶表达,而并非是一味提升模型深度。最后,搭建帕金森病诊断系统并使用Hand PD数据集进行实验验证。诊断系统将患者信息数据库、字迹类信息、震颤、肌僵直等多源信息融合,使用帕金森病诊断算法框架。实验中使用ROC曲线的AUC值作为评价指标,旨在更加全面的反映模型分类效果。对比分析不同数据源和不同模型分类结果,得到最优结果为使用多源数据多模型融合结果,最好分类结果AUC值为0.9833,准确率为94.59%,查准率为77.52%,查全率为100%,F1值为0.8734。通过对错误样本进行分析,可以启发性地在后续改进中着重采集帕金森病患者早期特异性信息,或将二分类问题改进为对于帕金森病不同病程预测的多分类问题。