作为一种全球性的精神情感障碍类疾病,抑郁症越来越影响人们的健康生活,并给社会造成了巨大的人力消耗和经济负担。抑郁症的准确诊断可以有效防止抑郁症状的加重和其他疾病的发生。目前,对抑郁症的主流诊断方式是通过医生和患者之间的沟通交流,填写相关的问卷量表,这需要相应的临床知识并且存在主观性,给抑郁症诊断带来了很多挑战。因此,构建一种客观准确的方式来进行抑郁症的辅助诊断,具有重要的意义和价值。随着信息科技的发展,利用信息处理技术对生理数据进行智能分析,进而实现抑郁症辅助诊断,可以在一定程度上避免诊断主观性的影响。基于此,本文以脑电数据为处理对象,利用图神经网络模型开展基于脑电数据的抑郁症识别方法研究。论文工作分为两个部分,第一项工作是将每个受测个体作为图（graph）上的节点,进而利用图神经网络完成图上节点的分类;而第二项工作是将每个受测个体建模成一整张图,进而利用图神经网络来对每一张图进行分类。两项工作简述如下:（1）提出了一种基于特征选择策略下的图卷积神经网络抑郁症识别方法。首先,对脑电数据进行各类特征提取;进而,基于关联性的特征选择算法进行特征选择,并将其作为图的节点特征;最后,基于图卷积神经网络模型进行图节点的分类。在公共数据集上的相关实验结果表明,特征选择策略可以帮助整个方法自动挑选出更具辨识力的特征,进而完成更为精确的脑电数据抑郁症分类任务。（2）提出了一种基于数据增广和模型集成策略的图同构网络抑郁症识别方法。在该工作中,对每一位受测者,通过计算其脑电数据不同通道之间的联系得到脑网络矩阵,利用图同构网络进行抑郁症识别分类研究。考虑到采集脑电数据的受测者数量有限,使用了数据增广策略提升训练样本数量,使用了模型集成策略提高分类精度。在公开数据集上的相关实验结果表明,本文采用的策略可以在一定程度上缓解数据集样本数量偏少带来的问题,能够较好地提升脑电数据抑郁症分类的精度。