帕金森病作为一种慢性的神经退行性疾病,其导致大脑中的黑质和纹状体发生病变,由此产生的相关症状严重影响了患者及其家庭成员的正常生活。鉴于帕金森病当前仍无法被治愈。因此,精确、可靠的早期诊断方法对于减缓帕金森病的进展、改善患者健康状况发挥着至关重要的作用。面部表情障碍作为帕金森病的早期运动症状之一,使得帕金森病患者与正常人在面部表情表达上存在明显差异。在临床诊断中,由于面部表情障碍评估任务主观性较大,往往会造成诊断结果误差,而利用计算机辅助技术,基于面部表情数据进行帕金森病的诊断方法则有望提供精准、客观的诊断结果。因此,基于面部表情数据的辅助诊断研究成为了近年来新的研究方向。本文的主要工作如下:（1）基于身份匹配的对照组表情数据集的生成。本研究课题组与南昌大学附属医院合作构建了帕金森患者的表情数据集PDface。与此同时,由于帕金森患者表情数据与正常、健康对照组表情数据在身份属性上具有较大差异,由此可能对本文实验结果造成干扰。本文在收集的帕金森患者表情数据集的基础上,利用循环一致性图像生成网络,借助帕金森患者的中性表情数据,构建了一个新的、身份匹配的对照组表情数据集。（2）基于深度度量学习的帕金森病辅助诊断方法。针对当前“帕金森病影响的具体表情”相关研究中暂无一致的结论,即无法确认帕金森病的表情障碍会造成某一种或某几种表情出现差异,本研究提出将所提取到的同一身份样本的六种表情特征进行融合,以学习整体上的表情特征差异。与此同时,为了使深度模型能够很好地学习到有判别力的特征,网络模型结合了三元组损失和分类损失进行训练优化,通过度量学习网络将不同标签的样本映射到特征空间中,使得同类样本相互靠近。在模型评估阶段,本文所提出的诊断方法在帕金森患者数据和对照组联合数据集上取得了94.21%的分类准确率,并且从统计学角度进行分析,模型的分类效果仍优于其他比较方法。综上所述,本文针对帕金森患者的辅助诊断研究中实验组数据和对照组数据在身份上的差异、如何在数据量有限的情况下提升模型的准确率等问题进行了分析并给出解决办法,首先生成了身份匹配的对照组数据集,进一步地构建了基于深度度量学习的帕金森病诊断模型。实验结果表明,本文提出的方法在帕金森病诊断任务上能取得不错的结果。由于面部表情数据具有非侵入性、易采集的特点,该方法可提供便捷的临床辅助诊断。