人脑是复杂的非线性系统,利用脑电探索人脑的复杂活动机制已在生物医学、认知研究领域得到广泛应用并取得重要进展。研究发现正常及异常状态下人脑均呈现出复杂的活动模式,并以时域、空域及空时域的特定运动形式体现在脑电的信息表征上。随着社会发展、竞争压力加大、情感危机频发,人类疾病谱已发生巨大转变,精神压力、心理因素导致的疾病已成为影响人类健康的主要原因。由于人脑在空时域的动态变化可由相应脑电信号以空时域模式反映出来,利用脑电进行脑紊乱识别、对其复杂动态变化进行深入探索已成为业界的研究热点。传统的线性方法及非线性动力学方法在这些领域的应用中发挥了重要的作用。然而,这些方法应用于脑紊乱识别研究中也存有一些局限性,无法对相应状态大脑的动力学行为进行细微的刻画。本文从非线性参量及空域脑网络特征入手分别研究癫痫及癔症盲脑紊乱的弱信号、发掘隐匿信息,提出了相应的分析方法并进行了实验。本研究从以下四个方面进行了研究:1、提出了wavelet-entropy算法。利用小波变换多分辨率分析的特点及其处理非平稳信号的优势,提出利用变换域的小波系数进行熵算子容限因子设定的新方法,使得容限因子的确定适应于信号特性。并提出利用wavelet-entropy算法进行癫痫脑紊乱识别的方法框架。应用于脑电数据集的实验结果表明方法在癫痫脑紊乱非线性复杂度的表征上的效果。2、提出了FRFT-chaos算法。针对传统的单变量最大李氏指数算子所度量的混沌特征在癫痫脑紊乱多模式判别中准确率不高的问题,根据癫痫脑电信号的特点,利用分数阶傅里叶变换对特定暂态信号的敏感性及其在合适变换阶次为信号提供紧支撑特性,将分数阶傅里叶变换与混沌算子相结合,提出利用分数阶域混沌算子改进癫痫发作预测的方法框架。将脑电时间序列重构至分数阶傅里叶域的拓扑相空间中,在对应的复数空间调整了混沌算子最大李氏指数的距离及角度计算,完成了最大李氏指数在分数阶域的自适应刻画。实验表明这种在分数阶域的拓扑相空间混沌建模的方法,实现了对混沌的细微刻画,能够捕捉非线性隐匿信息,提升了癫痫发作预测的性能指标。3、提出了融合粗粒级关键网络特征的复杂脑网络分析方法。针对由脑电功能连接网络提取的网络特征在相关疾病自动诊断、模式判别中准确率不高的问题,利用最大相关最小冗余算法提取关键粗粒网络特征,并将其与传统网络特征融合进行复杂网络分析。将所提出的方法应用于癔症盲脑紊乱的网络分析中,取得了更好的识别率。4、提出了综合相干性模值和相位信息、利用最小生成树拓扑研究复杂脑网络的方法。采用多模态的复合分析方法能够适应脑功能深入分析及功能异常脑网络细微刻画的需求,弥补单一的功能链接网络信息表达上的不足。同时利用最小生成树辅助研究脑网络拓扑以探索空域网络隐匿信息,应用于癔症盲的脑网络分析,实现了癔症盲异常功能区域定位。论文对于提出方法在给出理论基础、算法框架的基础上,指出了关键环节,进行了相关的实验,依据统计检验及性能量化指标对所提出方法进行了性能评估。实验结果验证了所提出方法的有效性。