1.一种基于自监督学习和迁移学习的抑郁症分类方法，其特征在于：所述方法包括如下步骤：步骤一：弥散张量成像数据预处理；

步骤二：构建全脑结构网络：将AAL模板配准到个体DTI空间，使用确定跟踪算法获得全脑白质纤维束，得到AAL模板中任意两个脑区之间的白质纤维束，构建全脑结构连接矩阵AS，然后计算每个体素的FA、MD和灰质体积，然后根据AAL模板，计算每个脑区的平均FA、MD和灰质体积，构建结构属性网络XS；

步骤三：扩增原始全脑结构网络得到对比视图，将邻接矩阵AS转化为扩散矩阵，邻接矩阵和扩散矩阵分别提供了图结构的局部和全局视图，使得模型同时编码丰富的局部和全局信息，使用个性化网页排名PPR和热核两个广义图扩散矩阵：heat ‑1

S ＝exp(tASD ‑t)

PPR ‑1/2 ‑1/2 ‑1

S ＝α(In‑(1‑α)D ASD )

其中，AS表示结构邻接矩阵，D表示对角度矩阵，t表示扩散时间，α表示随机行走中的传送概率，随后，对两个视图进行下采样；

步骤四：邻接矩阵和扩散矩阵作为对比结构视图分别传入图卷积网络GCN，分别学习两个视图的节点表征，将经过GCN层学习到的节点表征传入投射头，即一个有两个隐层和α βPReLU函数的多层感知机MLP，得到对应两个视图的节点表征集合H和H；

步骤五：对于每个视图，使用图池化函数将图神经网络学习到的节点表征聚集到一个图表征，其中， 表示节点i在层l的潜在表征，||是级联操作符，L表示GCN的层数，W表示网络参数，σ表示PReLU函数，将readout函数应用到节点表征结果中会产生两个图表征，每个图表征与一个视图相关联，然后图表征被输入到一个共享的投射头中，得到最后的图表征 和步骤六：为了端对端地训练编码器学习网络与下游任务无关的节点和图表征，使用深度InfoMax方法最大化两个视图之间的互信息，通过对比一个视图的节点表征和另一个视图的图表征，目标函数定义为：其中，θ，ω，φ，ψ表示图编码器和投射头参数，|G|表示训练集中图数目，|g|表示图g的节点数目， 表示视图α的节点i表征， 表示视图β的图g表征，使用小批量随机梯度下降法优化模型参数，首先使用一个大样本正常人群数据集训练自监督对比学习模型，然后再应用于抑郁症数据集中；

步骤七：经过脑网络自监督对比学习，每个脑网络的图表征和节点表征来自两个视图的整合，分别表示为： 和步骤八：基于每个脑网络的图表征和每个被试的非影像表型信息，所述非影像表型信息包括性别和年龄，构建群组网络，将抑郁症分类问题转换为图节点分类问题，群组网络的节点是被试，连边是被试之间相似性，对于一个群组网络G，其对应的邻接矩阵定义为：其中，v和w表示群组网络中的节点，H表示非影像表型特征的数量，M表示非影像表型特征集，Sim(Sv,Sw)表示被试之间的相似性，被试之间越相似，边权值越大，γ表示表型信息之间的距离度量；

步骤九：使用基于谱图卷积的图卷积神经网络模型对群组网络节点分类从而实现抑郁症分类，训练集包括一个带标签的图节点子集，在其上评估损失函数，梯度被反向传播，训练过程中观察到测试集特征，所述测试集特征为剩余的未标记图节点，未标记节点也会影响标记样本上的卷积；引入迁移学习，首先基于正常人群大样本训练图卷积神经网络模型用于正常被试抑郁评分预测，然后将预训练好的模型迁移到抑郁症分类问题。