癫痫是一种严重危害人类健康的常见慢性脑部疾病，其发作时表现为大脑神经元兴奋性增高以及过度同步化放电，并导致短暂性中枢神经系统功能失常。脑电图检查是一种有效的临床诊断方法，它为癫痫的诊断提供了可靠的信息。由于癫痫通常是突发性的，所以需要对病人进行长时间的观察。目前，这项任务主要是由人工视觉检测来完成的。视觉检测既费时，效率又低，而且视觉检测缺乏标准的制约。癫痫尖波的自动识别可以解决这一问题。　　 本课题深入研究了近似熵算法、样本熵算法及其性质，将近似熵和样本熵两种算法应用于癫痫脑电信号尖波的检测，结果显示癫痫尖波出现时，近似熵值和样本熵值出现了明显地下降，且样本熵值的变化幅度明显大于近似熵值。并且通过统计的方法，得到两种方法对于老鼠和人的癫痫尖波的阈值，又通过该阈值对癫痫尖波波段进行近似熵和样本熵分析。虽然，样本熵方法应用于癫痫尖波识别的检出率高于应用近似熵方法得出的检出率，但是这两种方法对癫痫信号的检出率都在65[％]以下。　　 随后，本文采用人工神经网络的方法，通过提取尖波波形的特征参数，利用神经网络的自学习能力对癫痫尖波特征向量进行训练得到BP网络，经过测试集测试后，得到了较高的检出率在80[％]以上，说明了神经网络方法应用于癫痫尖波检测的可行性。