本文基于BP神经网络理论和MATLAB神经网络工具包，建立了抑郁症倾向性的预测网络模型，用实际临床数据训练并检验了网络的识别率。在建模过程中，文章讨论了网络的输入层、隐含层和输出层的神经元节点数，确定了网络的隐含层层数和激励函数。实验结果表明本文所建立的网络达到了满意的识别率。　　实验和临床数据表明，本文所建立的模型在预测抑郁症倾向性时更加贴近实际临床诊断结果。本文的创新点是多次训练网络，分析网络学习得到的权值矩阵，发现输入神经元对输出神经元的的贡献率不同，根据输入神经元到隐含层神经元节点的权值累计趋势，给Beck量表的21个指标赋予了不同的权重系数。并利用赋权后的临床数据重新训练网络，实验数据表明，加权后的网络识别率得到提高、网络更加稳定。附有权重系数后的Beck抑郁症测评量表得到了访谈的心理科室临床医生的认可，验证给Beck量表赋予权重系数的合理性。　　本文的研究方法对临床预测抑郁症倾向性具有一定实用价值，本文的研究思路为其他类似问题提供一定借鉴。