虽然目前有已知有效的抑郁症治疗方法,但世界上仅有不到一半的患者（在许多国家,不到10%）接受到了这些治疗。由于缺乏抑郁症的生物标志物,医生对抑郁症的诊断往往具有一定的主观性,目前并没有任何一种公认的辅助检查手段是可以用来辅助抑郁症诊断的。随着机器学习的发展,人工智能辅助诊疗已经成为近年来研究的热门领域。本论文针对当下抑郁症诊断存在的主观性和不方便性等问题开展研究,采集了相比大部分同类研究更多的抑郁症病人和健康人的脑电数据并提取了大量特征,设计了基于脑电信号的抑郁症识别实验,利用特征选择算法筛选抑郁症病人和健康人组间差异较大的脑电特征组合并进行分类实验的验证。最终本论文使用树模型的特征选择算法,借助随机森林模型分类器,建立了基于脑电信号的抑郁症识别模型,达到了较准确的识别抑郁症的效果。此机器学习模型在本论文的数据集上经过10次五折交叉验证取平均值得到了 79.61%的分类准确率,证明了脑电作为抑郁症识别的生物标志物的可能性。在保证了识别准确率的前提下,此抑郁症识别模型只使用10个脑电通道的特征作为输入,减少了输入模型的脑电通道数量,有效简化了抑郁症识别模型。基于以上机器学习模型,本论文设计并实现了基于脑电信号的抑郁症识别系统,输入包含指定通道的脑电信号文件,系统就可以完成对脑电信号的特征计算和分析,以识别是否是抑郁症患者。系统还提供了详情展示功能,用户可以查看识别模型使用的脑电信号各项特征的具体数值以及各项特征与健康对照组均值、抑郁组均值的对比情况。基于脑电信号的抑郁症识别系统给抑郁症的诊断提供了一个较为客观的辅助和参考,在抑郁障碍辅助诊断方面具有重要的研究价值和潜在的应用价值。