抑郁症作为一种极其常见的精神障碍,至今没有客观的识别标准对其进行准确的评估诊断。眼睛是人的第一感官,通过心理学研究可探知人的内在情绪。论文基于心理学的眼动实验数据,通过处理眼部运动特征,客观量化抑郁者的眼动异常,使用机器学习方法构建抑郁症识别模型,辅助医生临床诊断。论文完成的主要工作如下:(1)根据眼动数据使用不同的方法构建两个数据集:眼动跟踪轨迹数据集和眼动特征数据集。第一个数据集通过多模态融合的方法,结合采集数据中的视频数据与文本数据,提取眼动跟踪轨迹特征,构建眼动跟踪轨迹数据集。第二个数据集通过研究分析原始特征数据和不同的眼动实验任务,构建眼动特征数据集。(2)基于眼动跟踪轨迹特征构建的抑郁症识别模型。分析眼动跟踪轨迹数据集中的眼动跟踪轨迹特征,探索抑郁者与非抑郁者在眼动轨迹上的差异。研究数据集特点,构建适用于眼动跟踪轨迹特征的神经网络模型,并通过优化网络结构,建立三种不同的网络模型进行对比分析,提高模型的识别准确率。(3)基于眼动特征构建的抑郁症识别模型。采用空间统计、医学统计和时间序列三个方面分析眼动特征数据集中的眼部运动特征,探索抑郁者与非抑郁者在眼部运动特征上的差异。研究数据集特点,本文选择随机森林算法对数据样本做特征选择,使用XGBoost分类模型构建眼动特征的抑郁症识别模型,并根据眼动实验的不同任务对模型进行评估。此外,从同一眼动实验任务的不同评估指标与同一评估指标的不同眼动实验任务两个方面,选择随机森林分类模型和Bi LSTM分类模型同XGBoost分类模型做对比分析。实验结果显示,在基于眼动跟踪轨迹特征的实验中,基于神经网络的抑郁症识别模型的识别准确率为83.17%。在基于眼动特征的实验中,基于XGBoost分类模型的抑郁症识别模型在眼动实验中的三个任务融合数据的识别准确率达到了84.92%。同时,在模型与任务的对比实验中,XGBoost分类模型的识别结果最优。