帕金森病（Parkinson‘s Disease,PD）是一种尚不可治愈的退行性神经系统疾病。目前只能通过治疗延缓病情发展,减轻病人痛苦。如果在发病早期能够确诊并加以治疗,就能极大地减轻患者的身体和心理负担。构音障碍是PD早期症状之一,利用语音信息结合机器学习算法识别PD,不仅提供了一种无创的识别方式,也为远程诊断和长期监测提供了可能。因此,研究高效的PD语音识别算法具有重要意义。PD语音数据集具有典型的小样本特性,语音样本量少,所含的样本信息不充沛,从而降低了分类性能。目前,虽然PD语音识别研究取得了显著进展,但PD语音小样本量问题仍带来了巨大挑战。为解决这一问题,本文做了以下主要工作。（1）针对PD语音小样本量的问题,从借助外部数据集丰富样本信息的角度入手,本文提出了一种PD语音无监督两步稀疏迁移学习算法。该算法主要包括两个步骤:卷积稀疏编码学习和联合局部结构域对齐。第一步迁移是以公共语音数据集作为源域,PD语音数据集作为目标域,通过卷积稀疏编码,学习源域的语音结构信息,以增强模型的泛化性。由于数据采集过程中存在非可控因素以及受试个体差异的影响,导致训练集与测试集数据的分布差异。为弱化训练集与测试集的数据分布差异,第二步对PD训练集（源域）和PD测试集（目标域）进行联合局部结构域对齐,其目的是对齐训练集和测试集的数据分布并保留局部样本的原始结构。两个域通过联合局部结构域对齐映射到新的流形空间后,使用分类模型完成预测。（2）针对PD语音小样本量的问题,从深入挖掘PD语音样本隐含信息入手,本文提出了PD语音样本-特征双变换算法。该方法从样本和特征两个维度上对PD语音样本进行变换。在样本变换上,以均值聚类的方式迭代生成不同层次结构的新样本,每一层样本信息侧重不同,特征信息量在样本迭代中发生了变化,因此,在特征变换上使用特征核集中特征信息,进行特征降维。为最大化利用现有样本信息,改进部分特征核中的近邻关系准则,在其中加入样本标签信息。最终结果由每一层层次结构样本的模型预测结果投票表决。本文研究为丰富PD语音样本信息、提高识别准确率提供了新的思路,对PD语音识别方法的实用化发展具有一定的推进作用,也为其他小样本数据集的分类研究提供了参考价值。