近年来,随着全球范围内抑郁症的发病率逐年升高,各领域对抑郁症识别的研究随之成为热点。目前,抑郁症的诊断手段仍多采取主观的识别方法,主观法会造成对抑郁症的漏判和误判。为了找到客观的诊断手段,大量研究者企图在抑郁症患者的生理信号或者在行为信号中找到突破,相关的研究也逐渐在开展。脑电信号作为一种典型的生理指标,有研究者将其应用在抑郁症的识别中,取得了不错的效果。然而,由于目前对抑郁症潜在的生理学机制仍不清楚,基于单源脑电数据构建的抑郁症识别模型存在一定的局限性,很难得到普适化的应用。因此,为了探究普适化的抑郁症脑电识别模型,本文通过结合多源数据融合技术,将不同类型情绪刺激下的抑郁脑电数据在特征层进行融合,从而构建相对有效且泛化性能较好的抑郁症识别模型。本文主要的贡献及创新点有以下几点:(1)利用抑郁症患者对外界情绪刺激的反应不同,从正性、负性、中性三类情绪刺激出发,在Fp1、Fp2、Fpz三个电极及theta、alpha、beta、gamma、全波段五个波段下提取了与抑郁症相关的脑电特征,并基于提取的特征构建了45个单源的特征子集。(2)针对多分类器组合学习中,个体分类器权重分配不均及遗传算法中,初始化种群的盲目性等问题,提出了基于改进遗传算法的多分类器组合策略,并将该组合策略在18个公开的数据集中进行了验证,结果表明该组合策略具有一定的实用性和有效性。另外,本文也利用该组合策略构建了多分类器组合学习模型,并使用该模型从45个单源抑郁脑电数据子集中挑选了5个表现相对较好的数据子集作为多源脑电数据融合的基础。(3)通过对传统的多源数据的特征层融合策略进行分析,提出了基于权重优化的特征层融合策略,并将该策略与传统的融合策略进行了对比实验,结果表明该融合策略在抑郁症识别中具有不错的效果。此外,为了进一步测试基于多源脑电数据构建的抑郁症识别模型的效果,本文也将其与基于单源脑电数据构建的模型进行了对比,实验结果表明,基于多源脑电数据构建的抑郁症识别模型能够取得较好的识别准确率,在一定程度上能够为抑郁症的诊断提供一种辅助工具。