癫痫发作是一种常见的慢性神经系统疾病,具有反复性和突发性等特点,因此需要医生对病人进行长时间的观察,既耗时,效率又低,且视觉检测缺乏标准的制约,故癫痫脑电信号的自动检测具有重要的临床价值.随着神经科学和现代信息技术的快速发展,脑电信号在生理学、精神病学和认知科学等方面具有广阔的学术价值和应用前景.在临床诊断方面,由于脑电信号包含了大量的生理和病理信息,对其作深入的研究可以帮助临床医生提高对各种脑疾患和神经系统疾患诊断和检测的准确性.国内外对脑电信号的研究日益增多,到目前为止,已经有很多方法被应用于此.本文对脑电信号的研究主要分为以下两个方面:一方面,本文提出了一种基于小波变换和全变差正则化的两步去噪策略.根据脑电信号的采集过程,我们采集到的脑电信号常常会受到人的生理电信号产生的噪声或检测系统自身噪声的干扰,且这些噪声的存在会大大影响脑电信号的识别的准确度,因此,对脑电信号进行去噪处理是对脑电信号进行研究的首要环节.小波变换是脑电信号去噪中常用的一种方法,但小波去噪处理也存在一些不可避免的缺陷.全变差正则化在图像处理领域应用比较广泛,常被用于边缘检测,而在一维信号去噪中,全变差正则化可以弥补小波去噪的一些缺陷,故本文将两者结合,提出了一种两步去噪策略,并利用算法实验验证了该方法的可行性.最后,通过真实脑电信号去噪实验验证了本文提出的去噪方法具有更好的去噪效果.另一方面,本文提出了一种鲁棒的自适应权重融合模型用于脑电信号的特征学习.由于脑电信号中蕴含着丰富的生理及病理信息,无论是在临床医疗诊断和检测中,还是在工程应用中,脑电信号特征的有效提取和准确分类都具有重要的意义.由脑电信号的非线性非平稳特性,且脑电信号具有丰富的频率成分,本文建立一种基于脑电信号频率信息的自适应权重融合模型,并利用模型优化来自动的提取对分类最有用的脑电特征,最后利用前馈神经网络进行识别分类.此外,本文在脑电信号实验部分进行了二分类识别、三分类识别和五分类识别,并与已有文献相比具有更好的分类结果.