近几年以来，类似焦虑、抑郁、自卑、人际敏感等一系列心理健康问题在大学生群体中频发，更有甚者还产生了自杀的念头。这对个人、家庭和社会都有着非常严重的负面影响。如果能够及早发现大学生的心理健康问题，学校相关部门和辅导员就能及时对此类学生进行有针对性的帮助。同时，这些高危学生可以尽早接受治疗，从而减少危害。因此，寻找一种有效的方法来识别心理健康问题学生是非常有价值的。
　　传统上，研究者通常采用问卷调查方式，这种方式存在易隐瞒、效率低等缺点。近年来，研究者开始采用网络日志来识别心理健康问题学生，但是这种方式仍然存在不足之处。首先，他们依然采用问卷调查方式获取标签。其次，学生的心理活动不仅仅会体现在上网行为中，其他日常行为也可能会表现其心理活动。
　　为了获得较好的高校学生心理健康问题识别效果，本文尝试使用多源数据，数据集包括：消费数据、门禁数据、网络日志、成绩数据，提出了基于多源数据的心理健康问题识别算法。主要研究重点是特征提取，尝试利用一维卷积神经网络（1D-CNN）从上网行为序列中挖掘学生的上网模式；根据学生在食堂的消费数据计算异常评分，刻画学生之间的饮食差异。同时，本文使用心理中心提供的学生心理状态数据作为标签，改进问卷方式带来的不足。本文使用训练集训练五种常见的分类算法，并通过验证集进行评估，选择效果最好的作为算法的分类器，并将其用于在测试集中识别心理健康问题学生。实验结果表明，Precision达到0.68，Recall达到0.56，F1-Measure达到0.67。
　　为了进一步优化模型识别效果，本文提出了基于DeepPsy模型的心理健康问题识别算法。构建了上网轨迹矩阵，使用二维卷积神经网络（2D-CNN）提取一天的上网模式，使用长短时记忆网络（LSTM）捕捉各天之间的时间依赖关系，并结合基础特征和上网轨迹模式设计了深度学习网络。实验表明，Precision达到0.71，Recall达到0.75，F1-Measure达到0.72，能够识别出75%的心理健康问题学生。