抑郁症是一种以心境障碍为主的精神障碍疾病，发病率约为6.1％且呈逐年上升趋势，给家庭和社会造成极大负担，但其诊断正确率偏低，误诊率偏高。基于脑功能连接的多元模式分析是抑郁症辅助诊断的潜在手段之一，得到了认知神经科学、计算机科学等领域研究者的广泛关注，已经取得了显著的研究成果。然而已有的相关研究大多存在两个方面的不足:其一是多数研究采用脑图谱构建功能连接网络，但目前可选用的脑图谱种类有限且采用不同脑图谱对应的分析结果可能出现一定的差异;其二是研究主要基于脑功能连接稳定不变的假设，但越来越多的研究表明功能连接存在动态特性。这两个不足已经引起相关研究者的注意，但仍需进一步的探索和研究。在此背景下，本文采用独立成分功能连接分析方法和高阶动态功能连接方法，探讨抑郁症疾病的辅助诊断问题，主要研究内容包括:　　(1)针对使用不同脑图谱模板进行功能连接研究可能出现结果不一致的问题，采用独立成分分析方法构建功能连接网络。首先利用组独立成分分析提取独立成分并构建独立成分功能连接网络，然后通过特征提取和不同的特征选择方法选出辨别能力比较强的特征，最后应用支持向量机对抑郁症患者进行鉴别。在20名抑郁症患者和21名健康被试的静息态fMRI数据上进行实验，分类正确率达到95.12％，只错分了一名抑郁症患者和一名健康被试。进一步分析表明，具有高判别能力的脑网络成分主要分布于感觉运动网络、默认网络和视觉网络。这一结果与已有基于脑图谱的研究结果基本一致，从而说明了基于独立成分分析方法的合理性。另外，在特征选择过程中，本文提出一种更有效的特征选择方法一—BoostFS算法，实验结果表明该方法能够极大的提高分类器的精度。　　(2)针对静息态下脑功能连接随着时间变化而动态变化的特点，构建基于动态功能连接的高阶功能连接网络。首先利用滑动时间窗技术提取动态功能连接以构建高阶功能连接网络，然后提取其复杂网络拓扑特征并采用两种特征选择方法进行特征选择，最后应用线性判别分类器对抑郁症患者和健康被试进行分类。实验结果表明，以高阶功能连接网络拓扑特性为动态特征的分类正确率可达90.24％，明显优于稳态特征80.49％的分类结果，且基于动态特征的集成分类正确率高达97.56％。通过分析一致性的拓扑特征发现，最具判别能力的脑网络成分主要分布于视觉网络和注意网络。这些分析结果与以往的非动态功能连接的结论基本一致，也表明基于动态功能连接的高阶功能连接方法在精神疾病辅助诊断研究中的潜能。