神经退行性疾病时刻危害着老年人群的身体健康,严重时甚至危及患者生命。我国由于医患比低、目标人群防治意识薄弱以及疾病本身隐匿性强等原因,导致我国神经退行性疾病具有就诊率低、误诊率高以及治疗率低的现状。机器学习方法可以通过智能分析神经退行性疾病相关的图像、语音等数据,从而提高疾病的诊断效率和准确率。然而,由于神经退行性疾病具有隐匿性强、个体差异性大等特点,导致数据具有高混叠（类内散度大且类间距离小）、小样本特性,给机器学习方法智能诊断神经退行性疾病带来了诸多问题。这包括:1)神经退行性疾病数据普遍存在的高混叠、小样本特性,容易导致现有机器学习方法识别准确率低问题;2)神经退行性疾病数据的高混叠特性,导致数据间的分布匹配并不一定带来高的分类准确率,而现有同构域自适应方法均以分布匹配为导向,这对方法的性能提升带来了阻碍;3)不同时期疾病数据存在特征空间异质性,主要表现为源域特征少于或远少于目标域特征,使得域自适应方法不可直接适用。这些问题给神经退行性疾病诊断带来了极大的挑战。针对上述三个科学问题,论文在国家自然科学基金、中央高校基金以及重庆市研究生科研创新基金的支持下,重点围绕两种神经退行性疾病——阿尔兹海默症和帕金森病,从维度约简和域自适应入手,在局部类内判决保持投影、有监督域自适应以及异构域自适应三个方面展开研究。论文的主要研究内容以及创新点如下:（1）面向神经退行性疾病诊断的加噪集成局部类内判决保持投影方法由于神经退行性疾病数据的高混叠、小样本特性,导致疾病数据类间区分度不足和模型的“过拟合”现象,进而导致疾病诊断准确率低。针对这一问题,论文提出一种加噪集成局部类内判决保持投影方法。首先,该方法针对疾病数据的小样本特性,通过微噪嵌入的方式达到正则化效果,有效缓解模型的“过拟合”现象;然后,针对数据的高混叠特性,设计了一种判决保持投影方法,利用数据的标签信息,优先考虑最小化数据的类内散度,同时增加数据的类间距离以及判决地保持数据的局部特性,使得数据的类间区分度得以提升;最后,通过引入贝叶斯融合策略构建映射矩阵的方式,进一步提升模型的诊断性能。在多个阿尔兹海默症磁共振影像和帕金森语音数据集上的实验结果表明,与现有提升神经退行性疾病诊断性能的维度约简方法相比,提出方法能够取得更高的诊断准确率。（2）面向神经退行性疾病诊断的费舍尔判别准则跨域自适应方法神经退行性疾病的高混叠特性,制约着以分布匹配为导向的域自适应方法对疾病诊断性能的提升。针对这一问题,论文提出了一种以类间区分度为导向、基于费舍尔判别准则的域自适应方法。该方法在增加目标域不同类别数据之间的距离同时,以目标域中的有标签数据为指引,实现源域数据向其对应的目标域类中心聚集,这使得映射之后的源域和目标域数据具有较高的类间区分度。此外,由于提出方法具有闭式解,使得其相比于大多数基于分布匹配的域自适应方法,具有更低的时间代价。在多个帕金森病语音数据集上的实验结果表明,相比于现有运用于帕金森病语音诊断的域自适应方法,提出方法具有更高的分类准确率和较低的时耗。（3）面向神经退行性疾病诊断的跨域交叉流形度量对齐方法针对由认知的渐进性等因素使得不同时期的神经退行性疾病数据具有特征空间异质性,导致域自适应方法不可直接适用的问题,论文针对其具体表现形式——源域特征少于或远少于目标域特征,提出了一种面向神经退行性疾病诊断的异构域自适应方法——基于源域少特征的跨域交叉流形度量对齐方法。首先,该方法针对源域疾病数据的少特征特性,提出了一种基于近邻交互的特征生长算法,实现了源域特征空间与目标域特征空间相一致;然后,通过提出的跨域交叉流形度量对齐方法,按类别对源域与目标域数据进行几何结构的对齐。在实现源域数据向目标域迁移的同时,通过流形度量对齐的方式,降低疾病数据的混叠程度;最后,在不同时期的AD MRI数据上的实验结果表明,基于近邻交互的特征生长算法能有效地实现源域与目标域疾病数据特征空间相一致,提出的跨域交叉流形度量对齐方法相比于现有的域自适应方法,具有更高的诊断准确率。