近年来抑郁症发病率日益增高，但是对抑郁症的诊断主要依赖于医生的经验，缺乏一定的客观性，漏诊误诊率较高。MRI图像能够提供大脑的解剖结构或大脑活动状态的信息，因此利用MRI图像对抑郁症进行分类，能够提升诊断的客观性，从而降低漏诊和误诊。然而由于抑郁症缺乏确定的生理指标、抑郁症患者脑部MRI图像与正常人的区别肉眼分辨难度很高，此外抑郁症还具有异质性等特点，使得利用MRI图像对抑郁症进行分类是一个很大的挑战。本文以此为背景开展了抑郁症患者的脑部MRI图像分类算法的研究。论文的主要工作如下:　　1.MRI图像预处理算法。针对不同被试对象的形态差异，利用同一被试对象的结构像，通过头动校正、分割、配准和标准化，将不同被试对象的静息态功能像映射到标准模板中，从而实现定点定量的分析;针对MRI图像中非神经活动引起的噪声，采用线性回归、高斯滤波和带通滤波对噪声进行去除。　　2.特征提取与特征选择算法。研究了基于单变量统计分析方法中的五种常用特征，即低频振幅、低频振幅比率、度中心性、功能连接和局部一致性。针对抑郁症的异质性问题，根据基于不同规则的特征选择算法的特点，从全面性和代表性角度出发，分别采用基于Filter的特征选择方法和基于Embedded的特征选择方法对特征子集进行搜索，筛选出对于抑郁症分类有效的特征，实验结果表明了方法的有效性。　　3.分类器设计与融合算法。首先，采用不同的单分类器与五种常用特征实现抑郁症分类，评估单一特征在个体层面上对抑郁症的区分能力。然后，本文设计了基于单模态多特征的分类算法，从特征融合与多分类器融合角度出发，分别采用线性融合和基于投票机制的决策融合对选择后的特征子集及单一特征的分类结果进行融合，结合不同特征的特点以提升对抑郁症的区分能力。实验结果表明，结合不同的特征选择方法，五种特征都能够对抑郁症进行有效地区分，其中局部一致性对抑郁症的区分效果最好。特征融合和决策融合都能够有效地提升分类性能，但是决策融合效果优于特征融合，特别是当采用静态投票机制时取得了最优的分类结果，其分类准确度为90.22％，敏感度为86.96％，验证了本文算法的有效性。