抑郁症是一种广泛存在的情感障碍类精神疾病,目前已经对个人,家庭以及社会的形成了广泛的影响,受影响的人的日常生活严重受阻,还可能产生自杀倾向。同时,抑郁症已经对社会造成了严重的健康和经济负担,但是对抑郁症的诊断仍然使用较为传统的方式,导致对抑郁症的识别准确率低,并且具有明显的个体特征等问题。抑郁症的准确诊断可以有效防止抑郁症状的发展和其他心理或者生理疾病的发生。随着计算机辅助诊断的发展,EEG信号特征被认为可以作为一种有效的生物标志物,可用于抑郁症患者的识别。对抑郁症的生物标志物的搜寻仍然是目前计算机和生物领域的研究前沿。相比任务态,获取静息态EEG数据的操作更为方便。然而,目前该领域的研究普遍存在研究样本量小,数据分析方法多样化,结果统一性差,说服力不高。基于此,本文主要使用微状态和脑网络两种方法,通过对27名抑郁患者和28名正常对照组的静息态EEG数据进行分析,探索抑郁相关的生物标志物,以及研究抑郁患者大脑功能异常。(1)在微状态的分析过程中,分别对两组被试的EEG数据,使用全脑有效脑电计算所得出的GFP信号所有峰值处的脑电状态作为准微状态,然后使用聚类算法,将准微状态的聚类为4个目标微状态,并作为微状态模板,随后使用4个微状态的模板分别对每个被试的EEG信号进行拟合,并统计不同微状态下的持续时间,出现次数以及覆盖率等属性,以及微状态之间的转移概率并分析。最后,使用信息论等方式对微状态序列进行分析并做组间对比。对微状态的聚类结果与前人的研究基本一致,同时对4种微状态的持续时间,出现次数以及覆盖率的统计分析发现微状态C和D具有显著差异,同时微状态B到C和D到A的转移概率具有显著差异。通过信息论的分析发现了不同时延的四种微状态的互信息也具有显著差异。这些差异可以为计算机辅助抑郁症的诊断提供有效证据。(2)在脑功能网络的研究中,为了充分利用EEG信号的幅值和相位等信息,本研究中选用相关性,相干性以及相位滞后指数(PLI)来构建静息态大脑功能网络。通过对两类人群大脑功能网络的统计检验发现不同的功能连通性方式的结果具有差异性,其中相关性和相干性网络中,抑郁和正常的差异功能连通较少,PLI网络中的差异功能连通较多,并且大范围的分布在左半球,呈现一种左右脑非对称结构。为了进一步的探索脑功能网络差异,通过计算网络的特征路径,聚类系数以及小世界属性发现在网络全局水平,组间并无显著差异;在节点水平上,相关性网络的E114电极和相干性网络的E40电极上的特征路径具有显著差异。为了探索研究脑功能网络在抑郁诊断工程上的可行性,本研究使用了支持向量机(SVM),最近邻分类器(KNN),决策树(DT)和朴素贝叶斯(NB)等多种分类器对分别对三种脑功能网络进行二分类,分类结果显示SVM与相干性网络的组合,达到了最好的分类结果,分类准确率可达90%,这一结果说明使用基于静息态EEG的脑功能网络可以作为抑郁诊断一个生物标志物,这为抑郁诊断的工程实现提供了有效的依据。同时,三种功能网络的分类模式显示抑郁和正常的主要差异位于前额位置,这一发现为单通道电极检测技术提供了可能性。最后,综合微状态和脑功能网络两部分的研究结果,我们可以发现抑郁人群的静息态脑电信号携带了抑郁症状的相关信息,这些信息在学术上可以用于更进一步的抑郁症相关研究,在工程上可以作为生物标志物,用于抑郁状态有效检测。但是这些信息目前提取方式较为复杂,需要更多的同类研究扩展研究结果并且更深入的分析研究结果。