基于面部表情的抑郁识别近年来受到了广泛的关注,本文从抑郁数据集的采集出发,构建了基于面部表情的抑郁识别模型,实验结果表明了我们构建的抑郁识别模型的有效性。本文的具体研究工作可以总结为以下几个方面:（1）抑郁数据集的构建及预处理为了构建有效的抑郁识别模型,我们招募被试采集并构建了基于面部表情的抑郁视频数据集。数据是在正中负三种刺激下采集的,被试的面部表情变化会被记录下来。我们对数据进行了相应的预处理,从而为提取有效的面部特征提供必要的前提基础。（2）刺激下的变迁光流提取光流法是面部表情识别应用广泛的一种方法,本文从Lucas-Kanade稀疏光流出发,结合现有关于光流法的研究,提出了刺激下的变迁光流特征。该特征不仅包含了我们视频数据中关键帧段的光流特征,还有基于滑动窗口得到的整个段视频的光流数据的时频域统计特征,因此变迁光流特征能够在时空两方面反应被试在刺激下的面部情绪变化。（3）基于面部运动偏差系数的光流特征我们结合之前表情和面部动作编码系统的研究,对人脸感兴趣区域以面部动作单元为依据进行了划分。为了度量这些感兴趣区域之间的区别,我们提取了基于滑动窗口数据的小波系数作为面部运动偏差系数,并结合这些感兴趣区域的系数光流特征来对抑郁进行识别。（4）基于贝叶斯网络的面部运动特点探索我们对感兴趣区域的面部运动偏差系数进行了皮尔森相关性分析,并得到了抑郁组和对照组的皮尔森相关系数表。为了进一步探索这些感兴趣区域在我们三种实验刺激下的关联,我们构建了基于独立性约束的贝叶斯网络,从而探索抑郁人群和健康被试在刺激下各自的面部运动特点,并将这两组进行一些对比来探索抑郁人群在刺激下具有区分性的面部活动。综合以上几个方面,本文基于面部表情稀疏光流特征对抑郁的识别进行了一系列的探索,尝试提取了一些以稀疏光流为基础的特征并结合面部动作单元对抑郁人群和健康对照组在刺激下的面部运动特点进行了分析。这些特征及数据分析工作为未来基于面部表情的抑郁识别提供了一些思路,也为未来无扰式抑郁诊断提供了一条值得探索的途径。