抑郁障碍作为一种常见的精神类疾病正严重危害着人类的身心健康。根据世界卫生组织报道,全世界约有3.22亿人正在遭受抑郁障碍的困扰,且抑郁障碍已成为高校学生群体中较为常见的心理疾病之一。面对日益增长的抑郁障碍患病率及其低龄化趋势,早期筛查检测逐渐成为抑郁障碍防治的研究重点。但目前抑郁障碍的临床检测方式中普遍存在一些问题,如患者就诊率低,诊断过程易对患者精神状态造成干扰进而影响诊断结果,缺乏较为统一的客观评价标准等。针对以上问题,本文提出了一种可用于抑郁障碍检测及辅助临床诊断的基于步态分析的无扰式抑郁障碍评估框架。本文首先以抑郁障碍患者与健康人在日常步态运动中的差异为切入点,通过算法模型分析识别出抑郁障碍患者所具有的异常步态特征,提出了一种基于步态运动学特征的抑郁障碍检测方法。随后,本文进一步改进了上述方法,提出了一种新颖的基于步态时频特征和空间特征的抑郁障碍检测算法,显著提高了抑郁障碍检测的准确率。论文的主要研究工作和成果包括:（1）中国研究生抑郁与焦虑普查与无扰式步态采集系统的构建。抑郁障碍在高校学生群体中存在一定的普遍性,故本文将实验被试设定为该群体。本文首先通过自测量表对在校研究生群体进行了一次抑郁和焦虑的普查。随后,本文使用多台Kinect V2摄像头建立了基于真实场景的无扰式步态采集系统,并对高校研究生群体进行了步态数据的采集。该采集系统设置在日常的生活场景中,采集对象无需佩戴任何传感器或标记物,使数据采集处于无扰状态,可最大限度采集到参与者真实自然的步态数据。（2）基于步态运动学特征的抑郁障碍检测。本文利用采集到的人体骨架三维数据,通过步态运动学分析发现了抑郁障碍患者所具有的步态异常特征,包括:缓慢的步速,减小的步幅、摆臂幅度、头部垂直运动幅度、肩关节和肘关节的运动角度,以及更加剧烈的身体左右晃动和更大的头部前倾角,并发现步速是其中最为重要的特征。随后基于上述步态异常特征,利用多种机器学习模型,探索了基于步态运动学特征的抑郁障碍识别算法。实验结果表明,分类模型可以较好地对抑郁组和非抑郁组进行识别。（3）基于步态时频特征和空间特征的抑郁障碍检测。本文在进一步改进了基于步态运动学特征的抑郁障碍检测算法后,提出了一种新颖的基于步态时频特征和空间特征的抑郁障碍检测算法。通过对抑郁障碍相关的异常步态特征分析,本文提出了步态伪速度模型的概念并结合功率谱密度分析（Power Spectral Density,PSD）以提取步态时频特征。随后,本文提取了步态数据的协方差特征,并利用S-散度（Stein Divergence,S-divergence）提取步态空间信息。最后,本文将两类特征融合并进行了抑郁障碍检测。实验结果表明,本文构建的基于步态的抑郁障碍检测模型具有较高的分类精度和鲁棒性,显著减轻了个体差异对分类结果的影响。本文充分展示了基于步态分析的无扰式抑郁障碍检测的可能。从长远来看,将此算法与日常生活中广泛部署的监控摄像头采集的视频相结合,配合人脸识别等技术,可以开发出无扰式、实时且智能的抑郁障碍检测系统,为抑郁障碍的大规模早期筛查诊断提供了可能。