近年来,脑科疾病的患病率在逐年增加,许多研究学者开始将人工智能应用到脑科疾病的检测中。现有的基于脑电信号的癫痫识别算法(如SVM、KNN等)都需要先进行数据的预处理和特征筛选,提取的特征往往都缺乏医疗解读性,并且容易引发维度爆炸。另外,抑郁症语音的识别中,常见的MFCC、LPCC语音特征提取方法具有单一维度性,缺乏可解释性和推广性差等缺点。卷积神经网络作为一种多层神经网络,具有很强的特征自学习能力,在语音识别、人脸识别、通用物体识别甚至脑电波分析方面均有突破。基于以上背景,在研究了癫痫脑电信号和抑郁症语音信号特点的基础上,本文设计了一个能对癫痫和抑郁症进行识别的智能诊断系统,并在该系统中引入了卷积神经网络算法和语谱图构造方法。本文主要工作内容如下:(1)针对传统的分类算法在脑电信号特征筛选上的局限性,本文使用了可以进行特征自学习的卷积神经网络算法。基于成都市第三人民医院的脑电数据样本,将脑电信号进行图像化的构造,以3s为处理单位构造成512*16*3的三维矩阵作为卷积神经网络的输入进行训练,利用tensoflow构建了10层的卷积神经网络。为了验证卷积神经网络在本文数据集分类中的有效性和必要性,使用了SVM、KNN和ANN算法与这个初始网络模型做对比,结果显示CNN算法的识别率为91.32%,高于其他网络。为了进一步提高识别率,对网络模型的参数进行了调整和优化,最终构建了一个12层的CNN模型使癫痫识别率达到了99.8%。(2)针对MFCC和LPCC语音特征提取方法存在的单一维度性问题,本文使用了一种可以增加特征维度并兼顾时频特征的语谱图构造法。以公开的AViD-Corpus抑郁症样本作为本文抑郁症疾病分类研究的数据集,借鉴卷积神经网络在图像处理上的优势,构造语谱图数据集作为网络的输入。分析了学习率、输入形式和全连接层节点等参数对网络模型的影响,分别设计了三组实验,确定了网络模型和具体参数,使抑郁症的识别率最终达到了86.3%。(3)最后,确立了癫痫和抑郁症分类的俩种算法模型,根据脑科疾病智能诊断系统的需求分析,完成了系统的设计与实现。