帕金森病是一种常见的神经系统变性疾病,其患病周期长且发病范围广。就目前的医疗水平,未能明确该病的病因,无法彻底治愈帕金森病,只能在早期控制该病的发展。在早期发现病情症状,并且及时接受适当的治疗,在一定程度上能够延缓病情发展。语音障碍是帕金森病早期典型病症之一,在近年来基于语音障碍的帕金森病诊断的研究是帕金森病诊断研究热点之一。针对于帕金森病的语音障碍的典型病症,该文引入利用卷积神经网络进行帕金森病诊断方法。从帕金森病语音障碍进行研究,利用深度学习与医学领域的融合,推动了人工智能与语音识别相结合的研究,同时在基于语音障碍的帕金森病诊断领域发挥着很重要的作用。首先,从数据的表示、特征提取的可视化两个方面进行完善。基于语音的一维信号仅代表时域上特性的约束,利用语音信号的时频化表示,从而突破在时域和频域上特征提取的局限性,进而在数据表示阶段进行了完善。在语音特征提取阶段,完成了将语音中的特征按照网络层的递进,特征可视化的提取。其次,构造一个多层的卷积神经网络,并在网络结构的构建、网络的微调阶段进行详细地阐述。在卷积神经网络的构造阶段,该文基于AlexNet网络模型构造了一个8个网络层的卷积神经网络。通过对数据集的对比实验,分析实验结果,对网络的配置参数进行微调,从而对网络的配置参数进行优化。最后,在对基于语音障碍的帕金森病诊断实验中,利用帕金森语音数据集以及自采语音数据集进行网络的训练和帕金森病的诊断。实验表明,利用深度学习中卷积神经网络理论,不但将语音中的特征实现了可视化,而且有助于新特征的提取,突破了特征无法学习的瓶颈。