神经系统疾病如帕金森病等在老年人群中具有高发性，给患者的日常工作和生活带来了极大的不便，如不及时治疗，甚至可以危及生命。传统神经病学检查在某种程度上可以评估神经损伤以及疾病对脑功能在行为、记忆或认知方面的影响，但是不便于作为日常监测的手段。现有的移动端神经系统检测方式并没有对交互方式进行深入研究，基于机器学习的方法进行疾病分类判别仅仅区分了患有神经系统疾病人群和健康人群，但对于疾病症状显著表现出来之前的阶段缺乏相关研究。　　本文依据医学上对认知和运动功能的检测特征提出了基于移动端的神经系统功能检测方法，包括双指轮替、拨号和描摹图形，三项测试任务采集了屏幕交互数据和运动传感器数据。设计方案将医学上的检测手段进行调整使得其适用于移动端的交互操作。本文提出了基于云端融合的神经系统评价框架，将移动端的数据传输至云端，不同类移动设备都可在一种框架模型上进行处理和分析，并利用真实用户数据对机器学习算法模型进行训练和测试，验证了检测方法和算法模型的有效性。进而，本文对移动环境下的隐式神经系统功能评价方式进行了应用场景概念上的设想，包括特定场景下的和日常操作中的隐式神经系统功能评价方法，提出了可行的交互任务，如交互游戏、手势操作、按键输入和运动传感器采集等，并阐述了基于用户层和系统层的用户交互信息收集手段。　　本文基于测试用户的MRI检查结果进行分类，相比于以往的简单区分是否患有神经系统疾病具有更为现实的意义，用户在表现出明显的疾病症状前即可通过该测试方法进行风险评估。结果显示，有对无症状梗死(SBI)最高91.24％,侧脑室旁白质高信号（PVWMH）最高79.30％，深部白质高信号(DWMH)最高67.86％的识别率，优于传统医学检查量表的预测能力。本文还描述并分析了针对不同检测方式提取的任务无关的特征，可将其扩展到其他显式或隐式神经系统功能评价方法中。