在本文中，我们提出了一个基于果蝇优化算法的概率神经网络（FOA-PNN）和粒子群优化算法的概率神经网络（PSO-PNN）分类模型的诊断系统，通过将理论模型转化为实际可操作的诊断系统，并成功应用于基于声音信号的帕金森病（PD）诊断。分类精度，ROC曲线下的面积，灵敏度，特异度，以及CPU耗时被用于严格评估两个模型的性能。实验结果表明，FOA-PNN模型相比PSO-PNN模型在更少的训练时间内能够达到模型的最佳诊断性能，并在基于声音信号的帕金森病数据集上实验证明，当迭代次数为20，种群规模为8时，诊断系统的诊断性能相对达到最佳。基于理论模型的分析，我们采用Matlab开发语言搭建了实际的桌面系统，并申请了知识产权保护。我们希望所提出的方法可以为医生在做帕金森病诊断决策时提供一个有用的临床辅助诊断工具。

论文第一部分对帕金森病进行了介绍，分析研究目的与意义，总结国内外现状；第二部分对诊断模型进行了介绍；第三部分是诊断模型对比的实验设计；第四部分是实验结果的分析；第五部分是对诊断系统的搭建介绍；第六部分是对未来工作的展望。

这项工作目前实现了帕金森病诊断系统的开发，在这项工作之前，我们已经尝试使用基于支持向量机模型开发帕金森病诊断系统和使用基于概率神经网络模型开发乳腺癌诊断系统，通过实验证明系统有效，并且已分别申请软件著作权（附件1基于支持向量机的帕金森病诊断系统和基于机器学习的乳腺癌诊断决策支持系统）。本文的主要创新点在于基于FOA-PNN和PSO-PNN理论模型，把理论模型转化为实际可用的诊断系统。实验证明所提出的基于FOA-PNN和PSO-PNN理论模型的诊断系统在帕金森病诊断上有较好的效果。它表明，该诊断系统在帕金森病临床诊断方面可以作为一个有价值的辅助诊断系统。在今后的工作中，我们计划进一步优化所提出的诊断系统，使其能够应用到其他医学疾病诊断。