抑郁症是在生理、心理以及社会环境等因素影响下,人的大脑功能失调,导致认知、情感、意志等精神活动出现不同程度障碍的疾病。目前抑郁症的诊断,多是根据病人所表现的外在症状来诊断病人是否患病。脑网络作为一种广泛应用于识别异常拓扑属性的工具,为抑郁症的诊断提供了一个新的视角。然而,静息状态脑功能网络的拓扑属性能否应用于抑郁症的分类仍然未知。进一步的研究需要找到最合适的特征选择方法,建立分类模型,为抑郁症患者的计算机辅助诊断提供支持。主要工作如下：本次研究中,我们采集了38例未尝试任何药物的首发抑郁症患者和28例正常对照组的静息状态功能磁共振成像数据,构建静息状态脑功能网络。利用图论的方法计算脑网络的聚合系数,最短路径长度,节点的度,节点中间中心度和节点效率,把这些典型的脑网络拓扑属性作为分类特征,使用特征选择的方法对其进行筛选。用五种不同的分类算法构建分类器,分类器包括支持向量机,神经网络和决策树等。用分类特征在统计意义上的重要性作为阈值来划分特征,并对包含不等特征数量的分类器的性能进行评估。实验得到在28个特征(P<0.05)下,基于径向基函数的支持向量机算法和神经网络算法得到最高平均预测率(分别为84.36%和80.70%)。结果表明抑郁症和异常脑功能网络拓扑属性有关,并且其统计意义成功的用于分类算法中的特征选择中。建立的分类模型对抑郁症的诊断具有一定的参考价值。