帕金森病是世界上最常见的神经退行性疾病之一,该病患者通常会出现多种非运动症状（抑郁、嗜睡、嗅觉和认知障碍）和运动症状。这些症状是由中脑黑质多巴胺能神经元变性死亡引起的,尽管这种病理改变不可逆,且帕金森病到目前为止尚无法根治,但针对帕金森病的纵向分析如早期诊断和临床评分预测（抑郁、嗜睡、嗅觉和认知障碍）可以使患者尽早地确认病情并得到及时的治疗,这对改善患者生活质量和延缓疾病的恶化十分重要。目前帕金森病的计算机辅助诊断研究大多采用特征选择方法,这些研究通常只对单一时间点的神经影像数据完成关键特征的筛选,并没有进行进一步的特征学习,也没有对帕金森病的早期诊断和临床评分预测进行一个统一的纵向研究。针对上述问题,本文构建了一个基于纵向影像数据的帕金森病诊断与预测模型,主要包括以下三个研究点:第一,针对现有帕金森病研究大多采用特征选择而缺乏特征学习的问题,本文首先构建了一个优化的栈式稀疏自编码器模型对帕金森病纵向影像数据进行特征学习以完成早期诊断任务。具体而言,帕金森病医学影像数据的样本数量通常很少,而多种模态的影像数据又包含着高维度的特征,这容易导致深度学习模型出现过拟合的问题。为了解决这个问题,本文对深度学习的自编码器模型进行优化,将其与稀疏学习和权重约束相结合。实验表明,栈式稀疏自编码器学习到的深度特征能提升帕金森病纵向诊断的准确率。第二,现有帕金森病纵向研究缺乏对早期诊断和临床评分预测的联合模型,针对该问题,本文构建了一个联合纵向诊断与纵向预测的统一模型。具体而言,本文在栈式稀疏自编码器的基础上继续优化,将其与稀疏学习和矩阵非负分解思想相结合,优化后的稀疏非负自编码器能对特征和编码权重进行双重的稀疏约束,其在增强特征学习能力的同时提升模型的泛化性。多组帕金森病的纵向诊断与临床评分预测（抑郁、嗜睡、嗅觉和认知障碍）实验表明,该特征学习方法是有效的。第三,特征选择与特征学习都存在各自的局限性,为了充分结合两者的优点,本文优化了基于关系正则化的特征选择方法,将其与稀疏非负自编码器结合,以此构建一个对帕金森病纵向诊断与预测的联合模型。该模型基于样本之间和特征之间的多种关系筛选出疾病相关的关键特征,然后通过稀疏非负自编码器进行进一步的特征学习,最后利用学习到的关键深度特征完成对帕金森病的纵向诊断与临床评分预测任务。本文对基于影像数据的帕金森病纵向诊断与预测进行了初步研究,研究成果较好地解决了当前针对帕金森病研究的一些不足之处,而对纵向数据的广泛实验也表明,本文最后所构建的联合模型比当前主流的帕金森病研究方法更有效。