抑郁症作为现代社会最主要的心理疾病,严重威胁了人类的精神健康。抑郁症的重要筛查方法是通过精神科医生对患者的访谈会话进行评估和使用抑郁症诊断量表,但诊断准确率易受到医生临床经验和主观判断的影响。而抑郁症患者的行为、言语和声音等均能提供检测证据,因此基于多模态数据的抑郁症自动检测方法逐渐成为近年的研究热点,具有重要的研究价值和应用前景。目前多模态抑郁症自动检测主要分为上下文无关和上下文依赖两种方法。上下文无关方法缺少对访谈问题的建模,导致难以辨别患者回答的含义。上下文依赖方法引入了上下文信息,但通常需要建立额外的主题模型或手工筛选关键问题。此外,现有研究工作缺少对整个访谈过程信息的探索。为此,本文首先研究基于层级注意力网络的抑郁症检测模型,实现自动整合访谈问题上下文信息,进一步研究使用图网络对访谈对话交互过程潜藏信息的挖掘。本文首先研究自动整合上下文信息的层级注意力抑郁症自动检测方法。该方法将访谈问题作为上下文信息融入建模过程中,并设计一套规范有效的数据预处理流程,包括问题-回答对抽取、语音文本对齐等。在此基础上,该模型在第一阶段借助序列编码器捕捉问答对特征并利用注意力机制增强回答表示,充分挖掘问题与回答间的关系。第二阶段进行访谈对话级的全局信息捕捉,并使用多任务学习同时执行分类和回归任务。在抑郁症自动检测数据集DAIC-WOZ上的实验结果显示,该方法相比于基线方法在分类指标上有一定的性能提升。考虑到抑郁症访谈对话中连续的问答通常围绕同一主题且具有强关联性,本文在结合访谈问题上下文的基础上,将整个访谈对话过程构建为有向图。首先提出基于关系图网络的方法,该方法将访谈过程中的问题和回答作为独立节点,将时序关系和说话人交互关系表示为有向边,以捕捉访谈会话的结构信息。在此基础上,进一步提出基于关系图注意力网络的模型,关注上下文窗口中重要程度更高的邻居节点。随后提出增强回答表示的图注意力网络的模型,该方法拼接问答对特征并作为整体节点表示,有效增强了访谈问题及对应回答的关联性。实验结果显示,基于图网络的三种模型在各项指标上均有显著提升,其中基于图注意力网络的方法在F1值上超过当前最好的方法5%。