近年来,大学生的心理健康问题（尤其是抑郁）引起了社会的普遍关注。特别是研究生这一特殊群体,他们尚未步入社会,需要承受生活和学业两方面的压力,从而更容易遭受抑郁症的侵扰。现有的抑郁症检测方法需要被试的合作,并且存在成本高、数据处理繁琐等缺陷,很难进行大规模的普及。因此探索一种低成本、非侵入性、检测便捷的方法来进行大规模的抑郁症风险筛查具有重大意义。由于步态具有不容易伪装和非接触远距离采集等优点,逐渐有研究者开展抑郁症与步态的研究。然而,现阶段关于抑郁症步态的研究相对较少,仍然局限于传统的统计特征,并且相关研究数据匮乏。针对上述问题,本课题设计一种无扰式步态数据采集方案,提出一种新的步态特征并且提出多种适用于步态骨架数据的数据增强方法。主要研究内容如下:（1）本文设计了一种基于Kinect摄像机的无扰式步态数据采集方案,采集了95名研究生的步态数据（健康对照组52人,抑郁风险组43人）。针对数据采集过程中,摄像机有倾斜、噪声扰动等问题,提出一种基于最小二乘法的倾角求解以及骨架坐标系转化方法,并采用高斯滤波平滑噪声。最后对步态数据进行重采样,达到提高数据质量的目的。（2）本文分析被试行走过程中身体产生的动能和势能,通过量化关节能量,提出一种基于刚体的骨骼表示方法,简称刚体表示。然后利用快速傅里叶变换在频域上分析被试行走过程中产生的动能和势能,提取关节能量特征。最后使用支持向量机等机器学习算法对两组学生的步态进行分类。实验结果表明,刚体表示在减少关节点的情况下,模型分类准确率平均提升1.71%。将关节能量特征作为分类依据的时,机器学习模型的最佳分类准确率可以达到88.46%。（3）本文提出了旋转平移、错切、通道掩模以及关节掩模四种基于几何变换的数据增强手段。文中也使用深度学习领域流行的对抗生成网络,对抑郁风险人群骨架数据进行对抗训练,得到新的步态数据。最终利用时间卷积网络、长短时记忆网络训练模型,对研究生抑郁步态数据及生成数据进行分类。实验结果表明,数据增强在一定程度上可以解决数据不足的问题。特别是旋转平移的方法,该方法在最佳情况下可以提高6.2%的分类准确率,并有效地避免了过拟合。综上所述,本文提出一种关节能量特征,弥补了抑郁症步态研究局限于统计量特征的不足。针对研究数据匮乏的问题,提出多种数据增强的方法,在一定程度上解决了深度学习模型训练容易过拟合的问题。上述研究为辅助抑郁症诊断提供了新的思路,为未来大规模筛查抑郁症风险人群提供了可能。