癫痫是由于脑部神经细胞群异常放电引起的脑功能紊乱综合症。其发作时表现为大脑神经元群兴奋性增高、过度同步化放电以及中枢神经系统短暂性功能失常。癫痫作为一种常见的慢性脑部疾病,由于其复杂性和突发性,使得脑电信号采集困难,导致在癫痫检测和诊断过程中存在一系列限制性问题。因此本文针对脑电信号样本量有限等问题,开展基于信号增强和支持向量机的癫痫脑电信号分类识别研究。具体研究工作如下:首先,针对癫痫脑电信号中存在冲击特征易被噪声信号淹没的问题,提出了一种基于能量贡献率的滑窗加权规则。根据脑电信号中每个数据点能量值占整个信号总能量的比例确定能量贡献率,并结合窗口滑动和加权更新信号。该方法可深度挖掘癫痫脑电信号内的深层信息和信号间的相关性,去除高频噪声成分,丰富语义信息,实现信号增强。然后,针对不同状态脑电信号时域特征分类识别度低的问题,提出基于去零处理的特征增强方法。设置置零阈值对脑电信号进行去零处理改变其稀疏度,从而增大不同状态脑电信号的特征数值差距,实现特征增强。最后,针对经典人工蜂群算法收敛速度慢及易陷入局部最优的问题,引入加快传播速度的位置权重和控制收敛速度的振动因子。构建基于自适应人工蜂群算法的支持向量机参数优化模型,完成癫痫脑电信号的分类识别研究。实验验证该方法的实用性及高效性。