抑郁症作为当前世界面临的一种常见精神类疾病,现已成为全球各地首要的致残原因,导致人类疾病负担的一个重大因素。因此,对于抑郁症的检测诊断受到越来越多的研究关注。然而,目前抑郁症诊断主要根据问询、量表评价和临床表现诊断方式。这需要消耗大量的专业人员的精力,同时难以明确患者反馈的真实性,故该方式受到较为主观的影响。此外,大部分针对抑郁症的诊断问题研究都是基于原始影像特征与较为简单的分类方法,忽略了数据存在的噪声以及不同空间下的隐藏特征。并且,抑郁症的发病率在快速增长的同时确诊率却没有显著提高,如何利用少量的样本来辅助诊断是亟需解决的问题。针对上述问题,本文提出了一种基于多通带图卷积融合的抑郁症辅助诊断方法。基于非侵入式功能性核磁共振成像（Functional Magnetic Resonance Imaging,f MRI）数据提取全脑功能连接作为特征,在已知少量样本标签下,从频域空间提取多通带特征实现半监督抑郁症诊断任务。首先,对f MRI数据使用白质、灰质先验大脑图谱映射得到全脑脑区活动强度量化值,采用皮尔森相关计算获取脑区之间的功能连接;之后,利用双样本t检验根据P值筛选抑郁症患者（Major Depressive Disorder,MDD）与健康对照（Health Control,HC）具有显著区别的脑区功能连接作为特征;然后,以个体作为结点与显著脑功能连接特征作为特征建立图,通过低通、带通两个通带支路提取受试者多通带信息,解决图卷积过平滑问题;此外,创新地引入对抗生成模块,指导图卷积提取样本具有高区分度信息;同时,利用残差过滤模块进一步清除高频噪声;最终利用多个通带学习的结果融合作为决策依据达到抑郁症诊断的目标。实验结果表明,在准确率、敏感性、特异性多个指标上,本文方法都取得较好结果,优于其他相关方法。为了进一步探索受试者显著脑区功能连接特征在不同空间下的潜在信息,并且由于受试者样本在不同阶段表现的特征及相互关系不同,本文研究提出了基于多阶段图卷积融合的抑郁症诊断方法。本方法基于子空间聚类理论,提取样本在原始特征空间下不同阶段的信息,即样本经过非线性降维投影到不同子空间下的数据分布特征。之后,对不同阶段的样本特征,本文创新性采用数据自表达性质自学习构建样本和样本间的亲疏连接关系。接着,采用图卷积神经网络,对每个阶段的样本特征和构成的图拓扑结构进行信息的抽取。最后,将所有阶段学习到的信息融合,为最终的抑郁症分类提供互补的决策信息。实验结果表明,本文提出的基于多阶段图卷积融合方法对抑郁症与健康对照可以实现有效划分,同时在抑郁症疾病分类效果多个衡量指标上相较之前提出的方法及其他相关方法都得到了明显的提高。