原发性帕金森病(Parkinsons disease，PD)是一种慢性运动功能障碍性疾病，其病症是一个逐渐恶化的过程，而步态障碍是它早期的症状。步态的检测和分析能够为PD的早期诊断提供依据，帮助医生采用适当的治疗或着手术来防止疾病的进一步恶化。迈步周期信号(stride time signals)是由压力敏感系统采集到的垂直地面反作用力预处理后的步态信号，可以作为一种无创的帕金森病早期检测技术。计算机辅助迈步周期信号分析，能够有效提高信号分类的准确率，有利于患者病情的临床诊断。　　首先，本文采用非线性信号分析方法提取了47名受试者右脚的迈步周期信号的多种特征，包括Higuchi分形维数(Higuchi fractal dimension，HFD)、转向计数(signal turns count，STC)、近似熵(approximate entropy, ApEn)、符号熵(normalized corrected Shannon entropy，NCSE)和AR模型自回归系数。结果显示，相比于正常人，帕金森病患者的这些非线性特征值均比较大且具有显著性差异，这表明了PD患者的步态动力学更加随机、复杂。　　接着，本文提出采用留一交叉验证法的Fisher线性判别分析(FLDA)、支持向量机(SVM)、广义线性模型(GLM)和多层感知神经网络分类器(MLP)对迈步周期信号进行分类。其中，1）基于STC特征，SVM分类的总准确率为87.23％，其ROC曲线下的面积(Az)为0.8889，优于FLDA和GLM（准确率均为85.11％），FLDA的Az为0.8812，GLM的Az为0.8822，而MLP的分类效果最差（准确率为82.98％）。2）基于HFD特征，SVM、FLDA和GLM的分类效果是一样的，它们的准确率为85.11％，对PD患者的迈步周期信号比较敏感（灵敏度为0.931）。3）基于AR(4)自回归系数特征，SVM得到较高的准确率78.72％，特异度为0.8889，其Az为0.8084。4）ApEn和NCSE这两个熵的特征对于迈步周期信号的分类比较不理想，SVM得到的分类准确率约为70％。