阿尔兹海默症(Alzheimer’s disease,AD),是一种慢性神经退行性疾病,属于痴呆症(dementia)的一种,通常随着时间的推移而逐渐恶化。AD不仅对患者的正常生活有重大影响,而且会给其家庭和社会带来巨大的负担。目前,临床上主要通过多种神经影像学工具结合神经心理学量表来对AD进行诊断。总体而言,这种方法的诊断结果比较可靠,但其耗时长、流程复杂、价格昂贵,且对患者有一定的辐射伤害。因此,如何加快AD的诊断速度,降低AD的诊断成本成为当前工作的重中之重。现在,机器学习技术的发展有望使AD的快速预测成为现实。本文的研究目的旨在根据AD患者的临床特征,探索利用机器学习技术实现对于AD的快速预测。本文基于文本增强、文本与语音数据的结合对阿尔兹海默症的预测问题进行了研究。本文的主要工作如下:(1)针对阿尔兹海默症相关数据集缺乏的问题,提出了一种多尺度文本增强算法,并设计了一种Text CNN模型对文本增强后的数据集进行实验。结果表明本文所提出的多尺度文本增强算法能够基于原始数据集,有效的生成更大规模的文本数据供Text CNN模型进行学习,在一定程度上提高了模型的泛化性和AD的预测表现。(2)针对当前阿尔兹海默症预测研究中倾向于使用单一数据类型的问题,而较少考虑文本与语音的深层次结合问题,基于AD患者与健康个体在语言和语音特征上的差异,本文设计了一种结合语音与文本的阿尔兹海默症预测模型TAAD。实验表明,本文所提出的模型在数据资源极为有限的情况下,能充分挖掘文本与语音中所蕴含的与认知缺陷有关的信息,实现了对阿尔兹海默症在决策层面的综合预测。