随着全球老龄化的加剧,神经退行性疾病日趋蔓延,严重影响人们的身心健康和生活质量。常见的神经退行性疾病包含帕金森病(Parkinson’s disease,PD)和阿尔兹海默病(Alzheimer’s disease,AD)。这类疾病的主要病理改变是神经元细胞的丢失或神经元细胞结构和功能的退行性变性,但当今仍未发现导致这些病理改变的具体原因。在我国,神经退行性疾病仍处于就诊率低、误诊率高、治疗率低的局面,因此早期诊断对于进行及时干预治疗尤为重要。计算机辅助诊断(Computer aided diagnosis,CAD)利用神经影像学技术提供的大脑结构变化,结合数据分析,能提高诊断的准确率,是进行早期诊断的有效辅助工具。然而,神经影像数据样本量少和特征维度大容易造成过拟合,是影响计算机辅助诊断准确率的主要问题。本文针对此问题提出了基于稀疏学习的神经退行性疾病早期诊断方法,主要包括以下三个部分:其一,为了解决样本量少和特征维度大的问题,本文提出基于稀疏正则化的特征选择方法。通过将大部分无关特征的权重系数设置为零,筛选出与疾病相关特征,利用有效特征训练多分类器,实现神经退行性疾病的早期诊断。其二,为了更充分利用神经影像数据,本文提出多模板自适应稀疏学习(Multi-template adaptive sparse learning,MTASL)的特征选择方法。该方法基于具有不同感兴趣区域的多个脑区分割模板,提取不同的特征集进行融合,利用自适应方法选择可调节稀疏度;利用子空间学习构建最小二乘回归模型,基于线性判别分析和局部保持投影同时考虑了特征空间的全局和局部约束信息。其三,为了对更多的神经退行性疾病早期阶段进行诊断,本文提出多任务低秩稀疏学习(Multi-task low-rank sparse learning,MLRSL)方法,该方法利用神经影像数据的稀疏性和低秩性来进行分析。基于数据空间建立多任务框架,通过多任务学习以捕获多任务之间的相关性;通过低秩学习保留最具判别性特征来揭示输入数据和输出目标之间的内在关系,为多分类模型提供最有效的特征。本文针对神经退行性疾病的早期诊断方法进行了研究,主要利用基于稀疏学习的特征选择方法筛选出与疾病相关的特征并进行多分类,实验结果表明,本文提出的方法在多分类任务中比当前主流的方法具有更好的分类效果。利用本文提出的特征选择方法,本文对与疾病相关的大脑感兴趣区域进行了分析,实验发现一部分潜在的与疾病相关脑区,有助于对神经退行性疾病的深入研究。