帕金森病作为中老年人中第二大神经退行性疾病,其病症通常可以分为运动症状和非运动症状,这些症状的出现主要是由大脑中的黑质多巴胺能神经元的死亡造成。随着人口老龄化的加剧,帕金森病患者的数量随年逐增,鉴于目前的帕金森病主要诊断是以临床症状作为主要依据,其确诊和治疗的过程是复杂的,并且在现阶段造成病理改变的原因仍未明确,在临床上需要耗费大量人力物力对疾病进行确诊,这一现状无疑对社会或者个人都造成了一定的负担。近年来,相关研究人员已经找到与帕金森病关联的基因,对于家族中有帕金森病患者的家庭,家人可以通过基因检测确定相关基因是否已经发生了突变。一旦确认相关基因突变,该人群即使未检测出与帕金森病相关的临床症状,他们仍然具有发展为帕金森病患的潜在可能。目前由于基因突变群组的神经影像数据样本量较少,大部分帕金森病的计算机辅助诊断研究都是集中于普通的患病者和未患病人群。而神经影像数据中可以利用分割等预处理手段,提取出不同的特征。因此我们希望通过利用深度学习方法对神经影像数据进行多特征学习,继而对疾病进行有效的诊断分类。据此本论文描述了基于基因突变群组神经影像的帕金森病早期诊断框架,主要包括以下两个部分:第一,本文采用一种阶段式多层次深度多项集成学习框架（Stage-wise Hierarchical Deep Polynomial Ensemble Learning,SHDPEL）对获取的神经影像数据进行特征学习,阶段性的学习将深挖单种特征中的深度信息,同时也可以得到不同特征之间的关联信息。另外,通过多层次的特征输入,能够有效对深层和浅层特征进行复用,为后续的疾病分类提供具有判别性的依据并完成疾病分类。第二,本文构建了一种使用特征选择以及深度网络共同构成的联合特征学习框架,利用基因突变群组的神经影像数据进行特征学习并进一步完成疾病分类。该框架利用基于基数约束的特征-样本联合选择（Cardinality-Constrained Feature-Sample selection,CCSFS）方法对所需特征进行相关性筛选,得到与疾病最为相关的特征信息并以此作为后续神经网络的特征输入。紧接着使用多分支的八度卷积（Octave Convolution,Oct Conv）神经网络对筛选后的特征进行更深层次的信息挖掘,具体而言通过对特征进行高低频信息的分解,减少在特征中的冗余信息,节省存储和计算资源,提升网络学习的速度,增强特征表达能力,提高疾病的分类性能。本文通过大量的实验对基因突变群组的帕金森病早期诊断方法进行了研究,主要利用不同的深度学习网络以及特征选择方法对神经影像数据特征进行学习和分类。同时,本文中所有实验均使用10折交叉验证的方法来验证所使用框架的可行性与有效性。实验结果表明,本文使用的框架方法可以有效对基因突变群组的数据进行深度的学习并获得优异的疾病分类性能,通过与现有方法对比也进一步显示了其优异性。