抑郁症是当前社会的一种常见精神类疾病,并且近年来趋于高发态势。然而当前抑郁诊断问题众多,首先,基于个人隐私的考虑,多数患者拒绝与医生面对面交流,其次,当前的主要诊断方式为医生问诊与量表,这种方法受医生与患者的主观因素影响较大。尤其对于轻度抑郁或称抑郁倾向人群,其人群基数较大,且对自己病情缺少了解。因此急需一种能够在保证患者隐私的前提下客观量化其抑郁水平的方法。本课题通过研究线性和非线性脑电特征组合以及眼动特征,希望能给出一个更加准确、客观的方法来为抑郁诊断提供支持,并可协助对抑郁患者病情的实时监测。通过对中轻度抑郁和非抑郁人群在观看情绪面孔表情图片任务中的脑电数据提取脑电特征,使用多种分类器来对中轻度抑郁和非抑郁人群进行区分,其中kNN获得了99.1%的分类准确率,这是目前为止就我们所知相关研究中的最高准确率。同时,通过相关性分析中,根据不同电极点位置上脑电特征与类别的关系,分析了单导脑电抑郁识别的可行性。此外,利用随机森林方法,在眼动特征上对抑郁/非抑郁人群进行区分,获得了79.3%的准确率。尽管性能相比通过脑电特征分类略低,但由于眼动数据规模较小,容易采集等特点,我们认为,通过加入新特征,尝试不同的分类算法,眼动数据在抑郁识别应用中有着很大潜力。结合可穿戴EEG采集设备和低成本眼动追踪设备,我们的方法提供了利用可穿戴普适化设备来帮助医生对抑郁症患者病情进行远程监控的可能性,并为普通人群提供了实时监控自身情绪的机会。