در سالهای اخیر، استفاده از شبکه های عصبی مصنوعی در علوم آزمایشگاهی و پزشکی –بعنوان یکی از شیوه های پراهمیت تحلیلی و تحقیقاتی- توسعه روز افزونی پیدا کرده است. لیکن، این پیشرفت ها، در حوزه های مختلف روانپزشکی از قبیل آلزایمر، افسردگی، اسکیزوفرنی و ... با سرعت کمتری رشد یافته است. از سویی دیگر، در سال 2004 میلادی، از سوی مرکز آمار بیماری های جهانی یا gbd، گزارشی منتشر شده است که بر اساس آن، 14% از کل بیماری ها را بیماری های حوزه روانپزشکی تشکیل می دادند. از این میان، افسردگی -بعنوان شایع ترین نوع این بیماری ها- بالغ بر تعداد 100 میلیون نفر را به خود مبتلا کرده است که با توجه به گسترش تکنولوژی و رشد زندگی ماشینی انسانها، این تعداد همچنان در حال افزایش روز افزون می باشد. نکته قابل تأمل اینکه، موارد مذکور، منتج به افزایش احتمال عدم آگاهی افراد به ابتلاء این بیماری می شود. از این رو است که ارائه راهکاری برای تشخیص دقیق ابتلاء به این بیماری، بعنوان یکی از موضوعات مهم زندگی روزانه مطرح می شود. افسردگی، یک فرآیند پیچیده غیر خطی است که عموماً به دو نوع «اساسی» و «دوقطبی» طبقه بندی می شود. افسردگی اساسی، یکی از دلائل ناتوانی های روحی در انسان بشمار می آید که بعنوان دومین یا سومین دلیل خودکشی افراد شناخته می شود. افسردگی دوقطبی –یا دوره گذار خلقی- نیز تغییرات از حالت سرحالی و سلامت روحی به حالت شیدایی یا دیوانگی توصیف می شود. تحلیل پژوهش های محققان نشان می دهد که علی رغم وجود تحقیقات محدود، در استفاده از ساختارهای شبکه های عصبی بمنظور تشخیص انواع بیماری افسردگی، هنوز آنالیز جامع و مقایسه ای –بر اثرات الگوریتم های مختلف- روی این بیماری ها انجام نشده است. از این رو، انتخاب و یا ارتقاء یک ساختار مرتبط، کماکان بعنوان موضوعی اساسی در این زمینه پابرجاست . در این پایان نامه ، الگوریتمی ارائه شده است که در آن با بکارگیری 2 تراز از ساختارهای مختلف شبکه های عصبی از قبیل پرسپترون چند لایه (mlp)، تابع پایه شعاعی (rbf)، ماشین بردار پشتیبان(svm) وk- نزدیکترین همسایه (knn)و بررسی تعداد 45 پارامتر مرتبط با اختلال افسردگی اساسی، از قبیل خلق افسرده، عدم امید به آینده، عدم رضایت از زندگی، بی خوابی، اضطراب روانی و... ضمن انتخاب یک روش بهینه، وجود یا عدم وجود این بیماری را با میزان 97% درستی، تشخیص می دهد.