大脑网络为许多脑部疾病的诊断提供了重要的见解。传统上可以通过分析多种脑网络类型的连接,如功能连接和基于解剖学的结构连接,进而确定网络关系;但传统网络分析中不能将各项连接进行融合,无法得到更广泛的有效信息。本文分别通过对癫痫信号检测、致痫区域检测和癫痫扩散网络三个方面进行研究,其中癫痫信号检测作为分类问题为后续研究提供了预处理和分析的基础方法;在此基础上进行更为复杂的致痫区域检测,并提出了一种基于属性图卷积的脑网络分析框架。该网络将颅内诱发脑电构成的有效连接网络和自发脑电特征进行融合,即根据网络拓扑连接关系聚合邻居节点的特征,进而学习更广泛的节点交互,最终生成基于诱发图结构与自发脑电特征的联合表征用于疾病诊断。具体来说,首先构建脑网络连接图,根据癫痫自发数据构建属性图中节点特征,诱发数据构建图中边拓扑结构;其次通过自编码器和图卷积方法对节点进行自适应的无监督聚类,聚类结果为致痫区域;最后根据诱发数据得到脑区间连接关系并用图论方法对癫痫扩散网络进一步分析,得到癫痫传播网络模式和扩散过程中的关键节点,并用聚类结果进行验证。实验结果表明,该聚类方法在多个评价指标上具有较好结果,可准确定位致痫区域;扩散网络结果发现致痫脑区之间连接稀疏、正常脑区之间连接稠密,与传统结论不同;扩散网络中的关键节点为海马、杏仁核等脑区,与传统结论相似。本研究旨在促进癫痫疾病的精准检测与有效治疗,为临床癫痫诊断与分析提供理论基础。