抑郁症是发病率较高的情感障碍精神疾病。人脑无刺激状态下释放出的脑电信号能反映大脑的不同状态，其中包括异常状态，已是临床上精神疾病检查的常用工具。首先，本研究希望在抑郁症病人的脑电信号中发现与正常人异常的特征，以便深入了解抑郁症的疾病机理，以及对诊断和治疗效果评估有所帮助。接着用3种著名模式识别算法，使用本研究发现的特征对脑电信号进行分类研究，以检验这些特征的分类效果。本研究对正常人，抑郁症未用药病人和抑郁症用药病人这3种人群采样，形成3组被试。其中正常组14人，抑郁症未用药组11人，抑郁症用药组11人。这3组被试在年龄，性别与受教育程度上匹配。在被试者没有刺激的并且清醒的状态下，采集8分钟的脑电信号。本研究中深入研究三组被试在脑电信号的绝对功率，相对功率比，左右不对称性和安静过程差异性各个频带间的显著差异，发现以下有意义的结果：绝对功率的alpha1，alpha2频带；左右不对称性的theta频带；安静过程差异性绝对功率方面的alpha2频带是素质依赖性特征。绝对功率的delta频带；相对功率比的alpha1，theta频带；左右不对称性的alpha1，alpha2，beta1，delta频带；安静过程差异性方面的theta，delta频带是状态依赖性特征。另外，绝对功率的beta1频带，相对功率比的beta1频带是可以反映抗抑郁剂副作用的特征。本研究还使用抑郁症脑电信号绝对功率，相对功率比，左右不对称性，安静过程差异性4个特征进行了分类研究。每种特征下又分为7个频带与全频带的综合。分类算法分别是C4.5决策树算法，朴素贝叶斯算法和k最近邻算法。从3组分类结果来看，其中C4.5决策树算法最高分类正确率达到70.00%，朴素贝叶斯算法最高能达到83.33%，k最近邻算法最高能达到70.37%。并且对抑郁症素质依赖性和状态依赖性特征做了分类检验。