心理健康是影响人们健康的一个关键因素,而出现心理健康问题可能会导致严重的后果,如焦躁、抑郁,甚至引发辍学、自杀、犯罪等问题,尤其是对身心都还不太成熟的学生可能更为严重。因此,提前识别可能存在心理健康问题的学生并在早期进行对其干预治疗是非常有必要的。现阶段一些研究通过社交网络来对心理健康问题进行分析,人与人通过在不同场景下的一些社交行为形成了多视图社交网络,然而现有的使用学生社交网络对学生的心理问题进行分析与识别的研究,很多仍存在研究只局限于在单个视图中对心理问题进行分析,很少通过多个视图进行对比分析的问题,这可能会遗漏很多重要的规律。另一方面,对社交网络数据进行处理时,现有的很多多视图网络嵌入算法没有考虑到视图间的二阶协作关系,这可能会在网络嵌入过程中损失一部分信息,进而降低识别的性能。针对以上问题,本文通过对学生社交网络进行多视图间的对比来对社交网络进行分析,并在网络嵌入时保留视图间的二阶协作关系,使用最后的嵌入向量与学生的其他信息结合来进行学生心理问题的识别。本文具体工作包括以下两个部分:（1）针对现有通过社交网络分析心理健康问题的研究大多使用单视图网络数据进行分析的问题,本文提出使用JS散度来量化视图间的距离以及使用学生的心理得分来量化其朋友圈的心理健康程度,使用这些指标本文对学生社交网络进行了分析,发现学生的心理健康程度和该学生朋友的心理健康程度密切相关,这证明社交网络是对学生的心理健康问题进行识别的一个重要特征。（2）针对现有的多视图网络嵌入算法没有考虑到二阶协作关系和二阶协作关系带来的噪声影响的问题,本文基于社交网络的特性和视图间的二阶协作关系,提出了多视图网络嵌入算法MANEF,并使用MANEF算法对社交网络进行嵌入,使用网络嵌入数据、学生成绩信息和学生的基本信息对有较大可能存在心理问题的学生进行识别。最后,本文对模型有效性和特征权重对识别结果的影响进行了一些实验,结果显示本文的方法达到了良好的识别效果。本文通过实验说明了社交网络与学生心理健康之间的联系,证明了社交网络在对学生的心理问题识别任务中的有效性和价值,并提出了多视图网络嵌入算法MANEF,该算法可以为网络嵌入算法后来的改进提供一个新的思路且有利于心理健康预测的发展。