随着城市发展的日益加快,人们对来自各方面的压力不断增大,因此使得越来越多的人患上了抑郁症,这为社会带来了巨大危害。目前对抑郁症诊断还缺乏定量的生理指标,大多依赖于患者、家属的描述和医生临床的问讯,这种主观性较高的方式识别率低,延误了最佳治疗时机。近些年,伴随着医学影像技术的不断发展,特别是静息态功能磁共振成像技术的日趋成熟,这为未来研究抑郁症提供了必要的理论基础。本文利用静息态功能磁共振成像技术及先进的数据分析和认知建模技术,多角度分析抑郁症患者的功能磁共振影像数据,其中包括局部一致性、低频振幅和比率低频振幅,实现了局部一致性、低频振幅和比率低频振幅在影像学和机器学习的研究与应用。本文主要工作如下：第一,根据实验的设计方案,仔细地选取实验中的被试并通过行之有效的方法采集被试在静息态下的fMRI数据,随后经过数据预处理等流程得到了可信的实验数据。第二,依据相邻体素的定义方法对所得到的数据进行处理,分别对局部一致性、低频振幅和比率低频振幅等指标进行了相关计算。第三,通过使用模型驱动的分析方法和理论知识,将数据应用到实验的分析之中。针对局部一致性、低频振幅和比率低频振幅上述特定指标及指标集合,本文利用机器学习方法(SVM-RBF)进行分类模型构建,并探讨最优特征数目。利用特征重要性分析所选特征在分类过程中的贡献程度,并在特征筛选过程中进行调优,优化分类模型。第四,本实验中分类的平均分类正确率可在75%以上,最高正确率可达到90%,这充分说明,本文中所采用的实验方法是可信有效的,它能够有效的将抑郁症患者和健康对照者区分出来,这说明通过运用静息态功能磁共振属性作为分类指标达到了对抑郁症起到辅助诊断的作用,这也更好地为医生提供了一个辅助抑郁症临床诊断的方法。最后,本文是国家自然科学基金项目《抑郁症fMRI数据分析方法及辅助诊断治疗模型研究》(No.61170136)的主要组成部分。研究工作还得到了山西省教育厅高校科技项目《多模态脑网络拓扑属性分析方法研究》(No.20121003)及太原理工大学青年基金项目《抑郁症静息态功能脑网络拓扑属性差异分析研究》(No.2012L014)的支持。