当今社会人们工作学习压力不断增大,抑郁症成为一种最常见的精神障碍疾病之一。研究表明,在抑郁倾向阶段发现并及时治疗尤为重要,是避免抑郁病情加重的有效方式。根据抑郁症患者的临床医学表现,发现抑郁症患者与正常群体在面部表情方面存在眼神交流减少、面部动作变化较小等极为明显的差异。因此,基于面部表情进行抑郁症识别研究成为研究的热点内容。本文针对现有基于面部表情数据的抑郁症识别算法中存在提取面部表情判别性特征困难的问题,提出基于面部深度空时特征进行抑郁症识别的算法,本文的主要工作如下:针对人脸图像不同空域特征对抑郁症识别的影响不同,构造双池化残差注意力网络（Dual Pooling Residual Attention Network,DPRAN）提取人脸图像空域特征,并利用双池化注意力模块（Dual Pooling Attention Module,DPAM）对空域特征进行加权处理。通过双池化方式提高注意力机制的作用,赋予人脸图像空域特征准确权值的能力,为重要特征赋予高的权重,对次要特征降低权重,来加强面部重要特征对抑郁症识别的影响,减少次要特征对识别结果带来的干扰。为了获取能体现面部表情动态变化的特征,提出金字塔扩大卷积长短时记忆网络（Pyramid Dilated convLSTM,PD-convLSTM）,在卷积长短时记忆网络基础上构建金字塔扩大模块,进行视频帧多尺度的时序特征提取,并融合得到多尺度的空时特征。最后,将融合的空域特征和时序特征输入到深度神经网络,对抑郁量表得分进行回归分析,得到的预测值与标签进行误差分析来提高模型的性能,进而实现计算机辅助诊断抑郁症。本文在抑郁症识别数据集AVEC2013（Audio/Visual Emotion and Depression Recognition Challenge 2013）和AVEC2014进行实验验证。结果表明,本文所提基于面部深度空时特征的抑郁症识别算法,与当前基于深度特征和基于手工特征+深度特征的主流算法相比,抑郁程度预测值与真实值之间的MAE（Mean Absolute Error,MAE）值和RMSE（Root Mean Square Error,RMSE）值均有所下降。实验结果表明本文提出的人脸图像空时特征提取和筛选网络结构,有效地加强了有用特征,同时抑制了无关的特征,使人脸表情特征更具代表性和泛化能力,有效提高了抑郁症识别精度。