癫痫是一种最常见的危及生命且具有挑战性的神经系统疾病。目前,基于脑电图（electroencephalogram,EEG）数据的癫痫检测方法依然存在很多挑战:脑电信号存在极大的不平衡性,非癫痫数据占比较多,癫痫数据占比较少;脑电波信号具有非稳态且多样性的特征;人工检测脑电信号耗时耗力,误判率高,而且不同的医务人员检测出来的结果也不尽相同;临床的原始EEG数据经常会包含多种噪音和生理伪迹,干扰癫痫检测结果。因此,针对现存的种种问题,我们需要探究基于无监督学习算法构建一种线性可分的低维表征,可以将癫痫发作数据简单有效地甄别出来。除此之外,我们进一步研究高效可靠的癫痫自动检测技术,为开发在线癫痫发作检测技术和神经调控干预技术做准备。本文针对已公开的Bonn数据和中国301医院收集的临床原始EEG数据进行分析,提出了两种癫痫检测方法:一是基于深度玻尔兹曼机（Deep Boltzmann Machine,DBM）无监督学习的低维表征算法,可对癫痫数据和非癫痫数据线性分类;另一个是提出了一种基于一维卷积神经网络（One-Dimensional Convolutional Neural Network,1D-CNN）具有连续双层卷积结构的模型,进行有监督学习训练,可以高效可靠地进行癫痫自动检测。在无监督学习算法中,首先针对EEG脑电数据通过离散小波变换（Discrete wavelet transform,DWT）提取到癫痫的发生频段,计算出时域和频域的统计量,再使用DBM对统计量进行训练,降低维度。通过对比主成分分析方法（Principal component analysis,PCA）,观察两种无监督训练模型的表征效果,最后分别使用Fisher判别和支持向量机（Support vector machine,SVM）进行评估。对比显示,DBM分别获得暂态（DBM＿transient）和收敛（DBM＿converged）两种状态的检测结果,REC检测中,Bonn数据的DBM＿transient比PCA和DBM＿converged平均分别高9.15%和7.2%,C301数据DBM＿transient比PCA和DBM＿converged高4.39%和45.1%;评估的结果显示,在Fisher的计算值方面,Bonn数据的DBM＿transient比PCA和DBM＿converged平均高0.4859和0.0453,C301数据DBM＿transient比PCA和DBM＿converged高0.00894和0.014029。结果显示,DBM可以很好地对癫痫信号进行低维表征,可实现后续的线性分类,进而有助于高效鲁棒地进行癫痫自动检测。在有监督学习训练中,我们提出了一种基于一维卷积神经网络（One-dimensional convolutional neural network,1D-CNN）具有连续双层卷积结构的模型,可以高效稳定地检测到C301数据的癫痫信号。灵敏度、特异性、准确率和F1-score分别达到99.7%、95.4%、99.6%和96.1%,而且利用GPU进行模型训练的运行时间与对比模型相比快2到3倍。结果表明,本文提出的基于一维卷积神经网络模型优于现有方法,在癫痫检测性能上高效稳定,对癫痫的辅助诊断具有重要意义。