近些年,经济和社会的高速发展提高了人们的物质生活水平,同时带来了更快节奏的生活和更激烈的社会竞争,身心压力也随之增加,导致抑郁症的发病率持续上升,严重危害了人类的生命和健康。抑郁症是一种呈现情感和认知功能障碍的精神疾病,会影响到患者的思想、行为、感情和幸福,也是自杀的主要诱因。当前,抑郁症的临床诊断主要依赖于自评量表和医生访谈,最终由医生根据经验主观地诊断,这对医生的临床经验和诊断方式有着较高的要求。但是,在临床实践中,医患数量极不平衡,同时临床诊断也会耗费大量的时间,因此,依靠蓬勃发展的人工智能（Artificial Intelligence,AI）和情感计算（Affective Computing）技术来开发一种客观有效的抑郁识别方法是至关重要的。脑电（Electroencephalogram,EEG）作为一种客观反映大脑活动状态的生理信号,通常被认为是一种辅助临床抑郁症诊断和检测的有效工具。在抑郁识别研究中,EEG多导联空间和有限导联子空间的优化和选择不够充分,会限制抑郁识别效果。同时,面对高度复杂、非平稳的EEG信号,传统经验模态分解（Empirical Mode Decomposition,EMD）本征特征提取方法会由于本征模函数（Intrinsic Mode Functions,IMFs）矩阵积不可逆而无法提取有效特征。针对上述问题,本文一方面从优化EEG的导联空间入手,探索EEG的导联权重优化及导联子空间选择方法,另一方面从优化EEG本征特征入手,发掘能够表征EEG本征特性的有效特征方案。本文的主要工作和创新点如下:1.针对EEG多导联权重设置不够优化限制抑郁识别效果的问题,本文面向EEG导联的共性和个性信息分别提出了损失最小化导联加权方法和自适应导联加权方法,从EEG的多导联空间充分地优化EEG的空间信息。损失最小化导联加权方法从EEG导联的共性信息入手,通过学习令EEG导联空间和类别损失最小化的权重来充分地探索最能反映抑郁识别特性的EEG空间信息。自适应的导联加权方法首先对EEG的每一导联特征构建最优化的核矩阵,并基于核矩阵计算出每段EEG与不同类别的相似度,利用相似度计算出每段EEG的自适应导联权重,以动态地探究每段EEG的最优化空间信息。该方法面向EEG信号的个性化信息,通过综合考虑每段EEG在抑郁识别任务中的不同贡献来动态地设置权重,从而令每段EEG在空间上能得到最优化的表达。通过在两个EEG数据集上的实验进行验证,结果表明与其他主流的导联权重优化方法相比,本文提出的两种导联加权方法能有效地提升抑郁识别效果。2.为了解决在抑郁识别中EEG的有限导联子空间选择不够充分的问题,本文提出了一种基于核目标对齐（Kernel-Target Alignment,KTA）的多导联EEG最优化导联选择方法,面向EEG的多导联空间,探索与抑郁识别任务最相关的导联子空间,以达到优化EEG导联空间的目的。该方法首先考虑一种修改型KTA（modified KTA,m KTA）函数度量EEG导联子空间和目标空间的对齐程度。然后,该方法提出一种最优化的导联选择策略优化导联子空间,以求解令EEG空间信息与目标对齐度最高的导联子空间来进行抑郁识别。该导联选择方法能够从EEG的空间信息入手动态地选择最适合抑郁识别的导联子空间,同时可以挖掘导联对应的脑区与抑郁识别的相关性。此外,该方法还能有效地降低计算和空间复杂度、减少实验设置时间、高效利用EEG空间信息且具有较高的合理性以及可解释性。通过在EEG数据集上的实验对比,验证了本文提出的导联选择方法的有效性。3.针对传统EMD本征特征提取方法由于IMFs矩阵积不可逆导致无法提取有效特征的问题,本文通过引入奇异值分解（Singular Value Decomposition,SVD）和正则化参数分别提出了SVD改进型本征特征提取方法和正则化参数改进型本征特征提取方法,面向EEG的本征特性,发掘能充分反映抑郁识别特性的有效EEG特征。SVD本征特征提取方法使用SVD分解IMFs矩阵积并通过将分解得到的对角矩阵非零元素求倒以求取其伪逆,实现优化EEG本征特征的目的。正则化参数本征特征提取方法利用正则化参数对角矩阵与IMFs矩阵积相加来确保其和矩阵可逆,并使用和矩阵的逆替代IMFs矩阵积的逆,以优化的方式有效地提取EEG的本征特征。实验结果表明,本文改进的本征特征提取方法能从EEG的本征特性入手,发掘能够提升抑郁识别效果的有效特征。本文通过深入优化EEG的导联空间和本征特征,以导联加权、导联选择以及特征提取等方法为切入点以求获得更好的抑郁识别效果。本文提出的导联加权方法和导联选择方法可以从EEG的多导联空间中探究EEG的优化导联权重和最优导联子空间来优化EEG的空间信息,同时本文改进的本征特征提取方法,从优化EEG的本征特征入手,探索在抑郁识别中不同类别的EEG信号的本质差异。本文研究旨在解决现有的抑郁识别研究框架存在的问题,在理论和应用上都获得了良好的成果,本文的研究还将进一步推动抑郁症识别智能化应用的发展。