随着抑郁症日渐成为社会关注的焦点问题,在早期可治愈阶段正确诊断抑郁症成为医学研究的一大热点和难点。核磁共振因其成像参数多、扫描速度快、组织分辨率高和图像更清晰等优点,在检测早期病变方面具有独特优势,已经成为肿瘤、心脏病及脑血管疾病早期筛查的有力工具,近年来在抑郁症研究方面也有广泛应用。如何提升分类的性能一直是将机器学习算法应用于抑郁症筛查问题的研究热点。本文借鉴现有的研究成果,针对传统机器学习算法应用于老年抑郁症与健康人的二分类研究中存在的问题进行了一些改进,主要研究内容如下:1、本文使用SVM-L（支持向量机线性核）,SVM-RBF（支持向量机高斯核）,Bayes（朴素贝叶斯）,RF（随机森林）四种分类器,分别对F-score,Corr,双样本t检验三种特征选择方法进行分类性能的测试,通过实验测试发现虽然不同的实验条件下测得的正确率相近,但是使用SVM-RBF分类器出现了正确率较高然而敏感性为0的情况,为了正确反映该问题,本文提出了针对敏感性和特异性的新指标g,相比于正确率指标,该指标更加全面地反映了SVM-RBF分类器的性能。由于实验样本有限,现有特征选择方式放置在留一法前后分类性能差别较大,针对这一问题,本文提出了新的特征选择方式MKR。实验结果表明,现有特征选择方式置前与置后的平均正确率绝对差值超过了10%,而使用MKR的平均正确率绝对差值不足5%。此外,对老年抑郁症与健康被试的差异脑区进行了研究。2、现有研究表明多模态相对于单模态,多指标相对于单指标能够获得更好的分类性能。为了寻求最优的模态和指标,以改善检测精度和效率,本文在支持向量机的留一法基础上定义了各个指标对于分类的贡献大小,实验结果表明功能连接指标FC比灰质体积数据更重要,Re Ho指标比ALFF指标和功能连接指标FC更重要。基于此结果,未来可以针对性的扫描某种模态的数据或者预见性地计算某种指标,以期使用更少的时间成本获得较好的分类性能。此外本文引入了支持向量机的核融合技术,得到最优性能时各个指标数据的贡献占比,结果验证了上述的结论,并且在此方法下得到了本文的最优分类结果,正确率为94.59%。3、目前研究抑郁症分类的最优性能多采用假设驱动的方式,该方法实现简单、易操作,其弊端在于可能忽略掉更具有价值的模态数据组合。为了寻找全局最优解,提高求解效率,本文引入遗传算法对老年抑郁症分类问题进行研究。为了验证特征选择对于分类性能的影响,本文设计了两种染色体结构,实验结果表明特征选择有助于提升分类的性能。同时在实验过程中发现存在最优个体丢失与受初代基因质量限制的问题,针对此问题,本文提出加入最优个体保留与基因突变的遗传方式,实验测得最高正确率从83.78%提高到了89.19%。