随着人口老龄化的加剧,与年龄相关的疾病如阿尔茨海默症、帕金森等疾病的相关问题慢慢引起了人们的关注与研究。通过研究大脑年龄,可以对与衰老相关的疾病做到尽早诊断和预防,因此是一项非常重要且具有意义的研究工作。目前大脑年龄的研究主要借助核磁共振图像（Magnetic Resonance Imaging,MRI）和脑电图（Electroencephalogram,EEG）来分析个体估计年龄与实际年龄的差异。传统的方法通常是通过临床学专家对脑电或核磁图像的视觉分析来评估的。近年来,机器学习与深度学习方法逐渐被应用于脑电信号的诊断,但这些方法几乎都把不同通道间的脑电信号当作学习模型的二维网格输入,这种输入形式没有考虑脑电通道之间的复杂连接,以及脑电信号随时间动态变化的特点。图神经网络方法能有效利用不同通道间的相互关系,提高数据的表征能力。因此,本文提出运用图神经网络方法对脑电年龄进行预测,并在两个脑电数据集上与机器学习和深度学习方法进行对比分析。主要研究内容与成果:（1）对数据进行了特征提取与分析,横向对比了多种机器学习方法在脑电年龄预测上的表现。通过回归与分类的建模分析,发现了不同频段不同脑区随年龄增长的变化。（2）提出了基于交叉谱的分频段多核图卷积网络MC-GCN,将稀疏后的交叉谱作为空间拓扑关系的先验信息注入,对比分析不同频段通道关系下的预测结果。利用频段注意力权重以及图边注意力机制,增强图网络模型的预测能力。（3）采用时间与空间图卷积网络ST-GCN,时间维度上通过一维卷积对脑电序列提取深度特征,空间维度上通过多核谱图卷积注入拓扑信息,并探究了不同长度的子序列脑电信号对预测准确度的影响。（4）通过可视化分析,研究了导联间的相互关系,增加了模型的可解释性,为后续研究提供参考。相比机器学习与深度学习等基线模型,我们的图神经网络方法在脑电年龄预测的各类评估指标上均达到了优秀的表现。通过定量分析与可视化方式,研究了脑电信号在不同年龄、不同频段和不同通道间的差异性,并发现β频段信号对于年龄的预测尤其重要,这为今后神经科学进一步的相关研究,提供了指导意义。