膝关节退行性病变（Knee Osteoarthritis,KOA）是最常见的关节疾病之一。目前临床中关于KOA诊断的主要依据是影像学检查,包括X-光、磁共振等,但这些检查操作要求高、花费高昂且无法便捷使用。相比这些传统的诊断方法,髌股关节摩擦音,又称为骨振信号（Vibroarthrographic signal,VAG）是近年临床中正在探索的一种全新的KOA检查手段,获取便捷、成本低廉。然而,目前关于VAG信号的理论研究尚不充分,临床可提供的指导信息十分有限。因此,借助机器学习技术对VAG信号中蕴含的病理信息进行挖掘,在一定程度实现KOA的辅助诊断成为近年来的热点领域。基于此,本文聚焦于两类KOA辅助诊断任务:早期筛查与分级诊断,以VAG信号为主要数据源,开展关于KOA辅助诊断方法的研究。本文提出了一种基于单一VAG信号的卷积网络框架下的KOA早期筛查方法和一种基于多源数据的集成网络框架下的KOA分级诊断方法。在所提早期筛查方法中,首先采用傅里叶变换计算VAG信号的功率谱与相位谱,并在此基础上设计了一种基于VAG频域信号的卷积网络模型F-CNN;其次,训练F-CNN模型,完成正常受试者与轻度KOA患者的自动识别。在所提分级诊断方法中,首先通过对F-CNN模型结构进行调整,构建了用于分析VAG信号的网络模块VAG-CNN-Block;其次,在前馈神经网络框架下,构建了用于分析生理信息的网络模块PI-FNN-Block;进而,结合VAG-CNN-Block和PI-FNN-Block,采用注意力机制,设计了一种集成网络模型（Model-based Ensemble Network,MBE-Net）;最后,训练MBE-Net模型,实现正常受试者、轻度KOA患者与重度KOA患者的自动识别。采用西安市某两所医院临床采集的VAG信号数据集与生理数据集进行数值实验,对本文所提KOA早期筛查方法与分级诊断方法进行验证。数值实验表明,本文所提早期筛查方法的准确率、灵敏度、特异性分别可达86.2%、88.2%与83.3%;所提KOA分级诊断方法的准确率、灵敏度、特异性分别可达87.5%、87.2%与93.6%。