基于脑电信号(Electroencephalography,EEG)的抑郁症研究侧重于使用数据挖掘的方法来识别抑郁症,而对轻度抑郁的研究尚处于起步阶段,尤其是在有效监测和定量测量方面。针对轻度抑郁症的识别,本文提出了两种使用卷积神经网络(Convolutional Neural Network,CNN)的计算机辅助检测(computer-aided detection,CAD)模型。本文使用了24名轻度抑郁和24名健康对照大学生在情绪面孔浏览任务中的脑电数据。在第一个模型——基于脑电功率特征的深度神经网络轻度抑郁识别模型中,受CNN在图片识别领域取得的巨大成功的启发,模型将脑电时序信号转换为RGB三通道图片形式作为深度神经网络的输入。脑电信号包含频域、空间和时间方面的信息,频域特征通常使用信号的频谱图进行研究,于是本文提取了脑电的功率特征;脑电的空间信息通过电极位置体现,电极位置分布在三维空间,为了处理方便,利用方位角等距投影(Azimuthal equidistant projection,AEP)将三维电极位置投影到二维平面形成一张图像来保留脑电的空间信息;脑电信号是时序信号,反映了大脑活动的时间演变,为此本文将一个trial分成长度为一秒的多个帧,通过帧序列解释脑电信号的时间演变。为了探究脑电不同方面的信息对轻度抑郁识别的作用,为识别模型设计了不同的输入形式:将脑电功率组织成特征矢量形式探究脑电频谱信息的作用;在电极投影图像上填充对应电极的功率,使其保持频谱和空间信息,并与特征矢量形式相比较,来观察脑电空间信息的作用;以trial形式和帧形式分别组织上述两种输入形式,对比观察脑电时间信息的作用。除了构建CAD系统之外,脑功能成像在抑郁的相关研究中也颇有成效。脑功能成像研究中使用的功能连接度量的计算结果是一种二维网格数据结构,而CNN处理网格数据具有独特的优势,于是本文构建了第二个识别模型——基于功能连接矩阵的卷积神经网络轻度抑郁识别模型。在模型构建前,本文利用在脑功能成像研究中广泛使用的图论方法探究了轻度抑郁的脑功能连接是否如抑郁症患者一般存在异常模式。本文计算了相干性(coherence)、相关性(correlation)、锁相值(phase locking value)和相位滞后指数(phase lag index)四种功能连接度量,从特征路径长度、聚类系数、小世界网络属性等方面探究了轻度抑郁的脑功能连接模式。然后将CNN分别应用于来自五个EEG波段(delta,theta,alpha,beta和gamma)的四种功能连接矩阵上构建了一种新颖的轻度抑郁识别模型。通过第一个模型,本文发现脑电信号的频谱信息在轻度抑郁识别中起主要作用,脑电的空间信息不能改善识别效果,而脑电的时间信息能统计显著地提高识别准确率。模型可达到85.62%的准确率,可有效识别轻度抑郁和正常对照。通过图论研究发现轻度抑郁症组的脑功能网络具有更长的特征路径长度和更小的聚类系数,显示出与小世界网络的偏离。第二个模型获得了80.74%的准确率。本文中所有准确率的评估均使用24折交叉验证,确保以被试划分训练和测试集。本研究表明,深度神经网络可能会成为解决抑郁症等疾病的早期诊断问题的关键,可以在临床上辅助医生快速、准确地诊断轻度抑郁。