帕金森病是一种影响着数百万老年人的神经退行性疾病,严重影响患者的生活质量。帕金森病是一种异质性疾病,在疾病发展的不同阶段有不同的表现。对帕金森病患者的病情进展进行预测,以便为患者定制治疗方案具有十分重要的意义。随着人工智能的发展和机器学习技术的广泛应用,用机器学习对帕金森病进行计算机辅助诊断的研究逐渐受到关注。本研究的目标是探究多种机器学习方法在帕金森病辅助诊断中的应用,具体包括包含关于早期帕金森病患者的发现的诊断以及通过对于帕金森疾病的发展进行预测来对帕金森病的严重程度进行诊断。本文采用帕金森病相关的公共数据集–Parkinson’s Progression Markers Initiative（PPMI）对所提方法进行验证,主要研究内容分为以下三部分:1)使用随机森林模型、逻辑回归分类模型、神经网络等模型对是否患有帕金森病做出诊断;2)使用多种机器学习方法包括传统机器学习方法及时序神经网络对帕金森病的发展阶段做出预测,研究以Hoehn＆Yahr（H＆Y）量表的严重程度是否有变化作为预测目标;3)帕金森病发展相对于已有临床数据记录具有很大的不确定性。为了在一定程度上对这种不确定性进行研究,本研究基于条件变分编码器使用了一种新的深度生成式模型对帕金森病的多种可能发展的情况做预测。结果显示:1)在帕金森诊断任务上模型对帕金森病的诊断准确率达到95.85%以上;2)在对帕金森病发展阶段的预测上结果显示使用单一年份为输入时,综合表现上Light GBM模型最好,准确率达到79.50%的同时有着76.59%的召回率。然而模型的精确度都较低,其中性能最好的随机森林模型其精确度仍不到50%,而使用连续年份作为输入后召回率提高了20%以上;3)本文提出的一种生成式网络可以预测帕金森病患者可能的发展情况。综合多个方面的结果可以看出机器学习可应用于帕金森病的辅助诊断（包括病情预测）,从而帮助医生做出更好临床决策。本研究为帕金森病辅助诊断提供了新的思路,为机器学习在帕金森病临床诊疗中的应用提供方法基础。