癫痫是一种常见的神经系统疾病,该疾病在各个年龄段都会发生。癫痫不光会给患者带来身体上的痛苦,还给患者及其家人的生活带来巨大的负担。目前,癫痫检测仍然是通过医护人员观测脑电图（Electroencephalogram,EEG）来实现。但是,这一过程耗时长且消耗精力,会给医护人员带来巨大的工作负担。因此,实现癫痫的自动检测变得尤为重要。在当前癫痫检测的研究之中,虽然许多的特征提取方法被提出,但是这些特征只能展示信号的部分有效信息,比如:时域特征只能展示局部信息,而频域特征只能展示全局信息。与此同时,寻找适合癫痫检测的特征组合也较为困难。因此从脑电信号中自动学习出癫痫检测的重要特征变得尤为重要。除此之外,当前的研究者们都将关注点放在各通道的脑电数据上,进而忽视了通道间存在的图结构信息。本文基于公开的CHB-MIT数据集,针对当前特征选取困难和分类模型忽视脑电信号中的图结构信息这两点,对癫痫检测问题展开了以下研究工作:（1）设计了一套针对CHB-MIT数据集的数据预处理方案。（2）探索自编码器的网络结构及其效果。本文对所使用的18个通道进行了不同结构自编码器的对比实验。随后,本文采用支持向量机和卷积神经网络作为分类器,对有无自编码特征进行了比较,验证了自编码器特征的效果。（3）本文提出了一种新的网络结构,该分类模型主要由高阶图神经网络和简单图卷积网络组成。在该流程中,先通过高阶图神经网络对复杂图结构关系进行整合,然后利用图卷积将图结构和特征相结合,最终实现分类。本文采用了特定患者实验和整体实验对本文的模型进行了验证。通过与其他的实验进行对比,本文提出的模型在灵敏度上和特异性上取得了较好的实验效果。