良性阵发性位置性眩晕症（Benign Paroxysmal Positional Vertigo,BPPV）是最常见的前庭眩晕疾病之一,有着发病率高、诊断困难等特点。目前对于BPPV诊断的研究主要集中于临床,依靠医生的经验综合分析受试者的眼球运动和体位信息进行诊断。为了提高临床诊断效率,降低误诊率,探索机器学习与BPPV诊断相结合的智能化诊疗系统具有重要临床意义。论文主要工作内容如下:1、BPPV数据采集、预处理及特征工程。BPPV相关领域缺乏公开数据集,在上海某眩晕设备公司的支持下经过长时间采集,并与专业医生合作对病例进行标记和筛选。在数据预处理过程中,提出基于极点绝对差阈值的方法,处理曲线跳变部分,将SG滤波引入曲线平滑工作当中,最终基于特征选择算法包Tsfresh构造了包含三类共302例患者的小规模BPPV数据集。2、针对BPPV诊断困难问题,分别提出了基于传统机器学习算法的MultiAda Cost分类模型,以及基于深度学习的算法模型,并给出对比分析。首先,论文针对医疗问题的代价敏感性,将Ada Cost算法引入BPPV分类诊断问题当中并进行优化,并通过多组对比实验验证,最终证明本文提出的模型在测试集上性能优于传统机器学习模型,Precision、Recall、F1-Score、Accuracy分别达到了98.58%、98.07%、98.28%,98.36%。其次,构建了基于TCN的BPPV分类模型,测试集上的Accuracy达到了81.28%;并且针对处理BPPV数据不等长的问题,对Bi LSTM-Attention模型进行改进,提出了Masking-Bi LSTM-Attention模型,使得模型在本文数据集上收敛,最终实验结果表明改进的Bi LSTM-Attention模型在测试集上的Accuracy达到了86.89%。3、比较传统机器学习分类器和深度学习模型的诊断分类效果,分析了两种方法的优势和劣势,得到了在本文采集的数据集上相对较优的模型MultiAda Cost,为医生临床诊断提供了一定的参考价值,并为将来逐步实现BPPV的智能诊断探索了可行的方法。