帕金森病（Parkinson’s Disease,PD）它是一种退行性神经系统疾病,危害严重,目前国际上尚无有效的治疗方法,只能尽早诊断及时治疗。相较于生物化学识别、影像学和尺量表等常规检测方法,语音学具有无损、低价、便捷、无接触等优点,能有效检测PD的构音障碍,因此研究一种高效的PD语音识别算法具有重要意义。但是目前PD语音识别方法研究仍然存在一些问题,例如:（1）虽然现有PD语音深度学习方法具有较好的非线性特征提取能力,但在小样本量下,其深度特征质量并不高。（2）现有PD语音学习方法大多局限在原样本空间,而未挖掘样本间结构深层信息。这些问题都限制PD语音识别准确性的提高。针对上述问题,本文从特征学习和样本学习这两个方面入手,开展如下研究工作:（1）对于挖掘样本间结构深层信息问题,本文提出了一种基于迭代式均值聚类的PD语音深度样本学习算法,构建了深度分层样本学习空间,实现PD语音样本的深度重构,挖掘样本之间的内在关系,通过样本学习提高样本信息的使用效率,获取高质量的样本有助于提升分类器性能。（2）针对PD语音深度特征提取问题,本文设计了两种PD语音深度特征学习算法-组稀疏堆栈自编码器和深度残差网络,实现PD语音特征的深度特征挖掘,提高了深度特征与原始特征的互补性,有助于提高特征融合性能;并且引入L1正则化特征选择的特征学习机制,平衡PD语音特征表征能力和紧致度。（3）基于套袋法集成学习模式,将深度样本学习算法和深度特征学习相结合,构建了PD语音双深度学习集成模型,以提高PD语音小样本学习能力以及算法的泛化能力。本研究为提高PD语音识别性能提供了新的方案,为PD语音识别中样本挖掘和特征提取方面提供了新的研究思路,并且在LSVT和SAKAR两个权威的帕金森语音公开数据集中较之前的算法取得了较优的性能,具有一定的参考价值,促进了PD语音识别理论方法研究进展。