本文对抑郁症患者的表情识别系统中分类模块作了研究，并实现了专门针对于抑郁症的人脸表情识别系统。在面对新的环境中原有的分类算法性能不佳的情况下，本文引入了数据库域的自适应方法，使得新训练的分类器更能适应于变化的识别环境。通过将本文新的分类算法与以前的SVM分类算法对比，分别从定量和定性两个角度验证了本文所采用的分类算法的优越性。　　首先，本文介绍了抑郁症的基本概念及其与人脸表情的联系，并探讨了表情辅助诊断抑郁症的可行性和实用性。然后结合抑郁症患者视频，分析了抑郁症在人脸表情上的体现，定义了抑郁症患者所特有的抑郁症特征表情。接着，简单阐述本文所采用的域自适应(domain adaptation)学习分类算法的基本理论。然后，介绍了人脸行为编码系统(FACS)及相应运动单元(action unit，AU)的定义细则，并介绍了几个常用的人脸表情数据库，选择了部分数据库进行训练与测试工作。然后，结合表情识别系统模型，介绍了如何对数据进行预处理，包括数据的降维方法和数据的归一化操作等。接着，本文重点阐述了在训练与测试域不同的情况下，如何应用域自适应方法来训练SVM分类器，并讨论了测试域内的样本数量和不同的特征维度等问题。同时，我们分别采用精准度、F1打分和ROC曲线面积这三个评价准则来评价在这种分类方法所得分类器的性能，与之比较的对象是传统的SVM分类算法。最后，本文将域自适应方法应用于抑郁症患者的表情识别系统，对结果进行了比较分析，另外还介绍了抑郁症中典型特征“皱纹”的一种检测方法。