癫痫是一种由多因素诱发的反复发作的神经系统病症。癫痫发作期间,大脑神经元反复过度放电,导致中枢神经系统间歇性功能障碍,癫痫发作的不可预测性极大地影响了癫痫患者的生活甚至危及生命。因此,对癫痫的研究具有重要临床意义。而脑电图被广泛用于认知神经科学和心理学研究,不仅包含大量有关脑功能信息,还体现许多疾病的皮层功能异常。脑电信号的主要分析手段是将脑电图与神经病理学进行结合。因此,在临床上经常被用来探讨脑功能机制,并描述脑电图节律与神经病理学的关系。完整的癫痫分期状态转变不是一个静态过程,其分期转变导致的大脑同步性变化是重要标志,这些动态功能变化会造成大脑网络局部连通性改变,如何识别癫痫在发作开始前的动态变化具有实际意义。本文提出一种基于动态脑功能网络的癫痫分类方法,基于脑电信号构建不同频段的癫痫动态脑功能网络,探讨其分期对比差异和同步性变化。进一步计算网络属性,通过非参数检验描述不同频段的属性分期对比差异,最后基于支持向量机对癫痫发作间期和发作前期进行分类并取得良好的分类效果,为下一步实现癫痫预警提供有力支持。本文的主要研究工作如下:（1）引入滑动时间窗法和加权相位滞后指数构建动态脑功能网络研究选取了波士顿儿童医院CHB-MIT癫痫数据集中17名患者的脑电数据,首先对数据预处理,然后采用滑动时间窗法以6s窗口进行无交叠划分,基于delta、theta、alpha、beta、gamma频段EEG信号以18个脑电通道为网络节点,通过能降低微小相位差的影响、减少无关噪声干扰的加权相位滞后指数计算节点之间同步性作为连接,构建发作间期、发作前期、发作期和发作后期的动态脑功能网络,通过双样本t检验分析两两分期对比时功能连接的差异及同步性变化。结果表明,连接差异和同步性变化主要体现在alpha、beta、gamma频段,且随着频段升高愈发显著。该结果为研究癫痫的动态变化提供新的视角。（2）分析两两分期对比的动态脑功能网络属性差异构建动态脑功能网络后,基于图论进一步计算不同分期在alpha、beta、gamma的聚类系数、特征路径长度、全局效率、局部效率和小世界属性,通过非参数检验分析发作间期、发作前期、发作期和发作后期两两分期对比的网络属性差异。结果表明特征路径长度和全局效率在大部分频段的分期对比中差异显著,聚类系数、局部效率和小世界属性仅在部分频段的部分分期对比呈现显著差异。证明网络属性在一定程度能够反映癫痫分期的变化。（3）基于支持向量机对发作间期和发作前期分类在CHB-MIT数据集上验证了本文提出的方法可行性。实验为每位患者构建基于支持向量机的个性化分类模型,采用准确率、特异性以及灵敏性3个评价指标分析结果表明,不论是动态功能连接指标还是网络属性指标,能够对发作间期和发作前期的分类取得良好效果,特别在高频频段效果更优。对特定患者最高可以达到准确率100%、特异性100%、灵敏性100%。针对所有患者,动态功能连接特征可以达到平均准确率90.9%、特异性92.6%、灵敏性89.2%,最优网络属性特征（聚类系数）可以达到平均准确率91.0%、特异性91.2%、灵敏性90.9%。这为未来进行癫痫预测、更准确识别发作前状态提供重要支持。