本发明是一种语音驱动的帕金森病多症状特征参数的小样本学习方法，实现了在小规模数据集下对帕金森病患者的语音分析，将语音的初阶特征输入卷积神经网络，将得到的高阶特征进行组合，得到原型向量，再通过比较距离的方法计算原型和待测语音的差异性，并预测出待测样本在每一种症状下的概率，然后使用深度学习中的交叉熵损失函数和Adam优化器训练模型，使得原型向量接近于患者具有症状的真实分布，并将最终得到的原型向量作为关键性特征，实现帕金森病患者多种症状的同时预测分析。