近年来,随着脑科学的探索,脑电信号成为计算机、医学等领域研究人员的研究重点,大量的智能化疾病诊断方法也被提出。抑郁症的表现复杂多样,既有连接的特点,又有结构的特点,同时抑郁症伴随焦虑症、失眠症,很难用一个指标量化全部。为了实现对抑郁症脑电信号的分析,本文从特征的角度出发,进行了具体研究。具体的研究工作如下:首先,本文对抑郁症脑电信号的相关技术展开了调查与总结,分析了抑郁症在医学和计算机领域的研究现状,介绍了脑电信号的基础知识、特征提取方法、分类方法和抑郁症脑电信号的获取。其次,本文提出了一种基于不对称性和互相关性特征的抑郁症识别方法。首先,在预处理和分段的脑电信号上提取alpha、beta和theta频带的不对称性(结构特征)和互相关性特征(连通性特征)。然后,将alpha,beta和theta频段的结构特征矩阵和连通性特征矩阵混合,得到混合特征,完成特征矩阵的构建。最后,将不对称性特征、互相关性特征和混合特征馈送到三个分类器。该方法在实际抑郁症脑电信号数据集上进行测试,实验结果表明,使用混合特征获得了最佳分类结果,混合特征比单一特征的分类效果更好。最后,本文提出了一种基于局部二值模式(Local binary pattern,LBP)和奇异谱分析(Singular Spectrum Analysis,SSA)特征的抑郁症识别方法。首先将预处理后分段的脑电信号进行LBP编码,得到LBP信号,接着,使用奇异谱分析(SSA)方法对LBP信号进行分解和重构,得到在alpha、beta、theta和delta频带上的分解结果,然后,对每个频带的64个电极分解结果计算相关性,最终得到四个频带的电极相关性矩阵,最后,将所有样本的特征矩阵送到分类器KNN、DT和SVM中,得到最终的分类结果。实验结果表明,使用LBP和SSA特征在分类器SVM上获得最佳的分类效果。也进一步验证了,利用采样点进行特征提取,同时应用SSA实现脑电信号的分解和重构,使提取的特征更具代表性,提高了分类的准确性。