El uso de dispositivos portátiles para estudiar la marcha y el control postural es un campo en auge en los trastornos neurodegenerativos como la enfermedad de Alzheimer (EA). En este trabajo, investigamos si los clasificadores de aprendizaje automático ofrecen el poder de discriminación para el diagnóstico de la EA basado en la cinemática de control postural. Comparamos máquinas de vectores de apoyo (SVM), perceptrones de múltiples capas (MLP), redes neuronales de funciones de base radial (RBN) y redes de creencia profunda (DBN) en 72 participantes (36 pacientes con EA y 36 sujetos sanos) expuestos a siete tareas posturales de dificultad creciente. El espacio de decisión se compuso de 18 variables cinemáticas (ajustadas por edad, educación, altura y peso), con o sin evaluación neuropsicológica (puntuación de la evaluación cognitiva de Montreal (MoCA)), clasificadas en primer lugar en un análisis incremental de errores. Los resultados de la clasificación se basaron en una triple validación cruzada de 50 conjuntos de ejecuciones independientes y aleatorias: entrenamiento (50%), prueba (40%) y validación (10%). Con un espacio de decisión basado únicamente en la cinemática postural, la precisión del diagnóstico de EA osciló entre el 71,7 y el 86,1%. Añadiendo la variable MoCA, la precisión osciló entre el 91 y el 96,6%. El clasificador MLP obtuvo el mejor rendimiento en ambos espacios de decisión. Habiendo comprendido la interacción interdinámica entre la estabilidad postural y el rendimiento cognitivo, nuestros resultados respaldan los modelos de aprendizaje automático como una herramienta útil para el diagnóstico asistido por ordenador de la EA basado en la cinemática de control postural.