La enfermedad de Parkinson es una enfermedad neurodegenerativa que afecta seriamente la calidad de vida de los pacientes. En este estudio, proponemos un nuevo método de diagnóstico de Parkinson utilizando técnicas de aprendizaje profundo. El método toma señales de sensores de múltiples canales como entradas, y los bloques de convolución completa y LSTM del modelo perciben las mismas entradas de series temporales desde dos vistas diferentes, y conectan las características espaciales extraídas con características temporales. Para mejorar el rendimiento de detección, se incorporó un mecanismo de atención al canal en el modelo, y se utilizó un enfoque de aumento de datos para eliminar el efecto de conjuntos de datos desequilibrados en el entrenamiento del modelo. Se realizaron tareas de clasificación pd vs. hc y pd vs. dd, que mejoraron la precisión en un 4,25% y un 8,03%, respectivamente, en comparación con los mejores resultados anteriores. Ambas mejoras fueron superiores a los métodos anteriores que utilizaban aprendizaje automático combinado con extracción de características. Para utilizar de manera más efectiva los recursos de datos disponibles, este estudio realizó por primera vez la tarea de clasificación triple pd vs. hc vs. dd, lo que mejoró la capacidad del modelo para identificar características de la enfermedad. En esa tarea, la tasa de precisión alcanzó el 78,23%. Los resultados experimentales demostraron plenamente la efectividad del método propuesto de aprendizaje profundo para el diagnóstico de Parkinson.