孤独症又称自闭症,主要表现症状为社会交往障碍、语言沟通障碍、狭隘兴趣、重复刻板行为,近年来患病率不断上升。孤独症不仅对患儿本人产生严重伤害,也为家庭带来了巨大的心理压力和经济负担。现有研究表明早期干预对孤独症有着重大价值,但孤独症的病因尚不明确,故早期预测和辅助诊断成为其重要的研究方向。目前,孤独症的诊断流程复杂不一、家长主观因素影响都易造成医生对患者病情严重程度的误判。本文使用孤独症的影响因素来预测其严重程度,数据来源于上海市精神卫生中心。本文建立了孤独症影响因素和孤独症病情严重程度的关系模型,选取孤独症相关影响因素作为输入变量,并将衡量孤独症严重程度的儿童孤独症评定量表（CARS）的等级作为输出变量。为了降低样本数据质量低对模型训练造成的影响,本文根据孤独症数据的特点,提出一种针对有序多类数据的噪声样本检测算法（OMND）,考虑到不同严重程度的噪声样本对模型训练影响不同的情况,结合距离权重为每类数据的每个样本计算异常得分,然后将得分高的样本视作噪声样本并去除,从而获得较高质量的样本集,有利于减少将高严重程度样本误预测为低严重程度的高代价错误预测情况。使用去除噪声样本后的高质量数据集,本文基于栈式稀疏自编码器和Softmax分类器进一步建立了孤独症影响因素和孤独症病情严重程度的深度神经网络模型（SSAE）。首先,对输入数据进行预处理,然后逐层建立并训练稀疏自编码器,即将每个稀疏自编码器的隐含层输出作为下一稀疏自编码器的输入,以获得输入数据的有效高阶特征表达,再将训练好的最高阶特征输入Softmax分类器,即可使用对应严重程度标签进行有监督学习。紧接着,对建立好的深度神经网络模型重新训练以微调神经网络参数。最后,使用网格搜索法和交叉验证法优化了模型隐含层数和隐含层节点数等超参数,进一步确定了网络结构,提高了孤独症病情严重程度预测模型的准确率。基于建立的预测模型,使用试验对比方法对孤独症严重程度预测进行相关的讨论与分析。首先验证提出的OMND算法对孤独症严重程度预测的有效性,即将未经噪声样本检测下的样本集、经现有噪声样本检测方法处理后的样本集、经提出的OMND算法处理后的样本集分别输入到孤独症病情严重程度预测模型进行训练并对比,结果证明提出的OMND算法可使模型获得更高的预测准确率。然后,分析了各种学习算法、正则项系数、稀疏性约束程度及Dropout概率对模型预测的影响。最后,将提出模型与常用的决策树及支持向量机多分类模型进行比较分析,证明所提模型具有更高的分类准确率。