癫痫是一种危及生命且具有挑战性的神经系统疾病,目前基于脑电图的癫痫检测方法依然存在很多挑战,脑电图信号是不稳定的,不同的病人表现出的癫痫发作模式不同,检测脑电信号耗时费力,不仅会给医务人员带来沉重的负担,还容易造成误检情况的发生。因此,研究更精准的跨多患者的癫痫自动检测技术是非常有必要的。此外,深度学习领域提出的算法大都停留在理论表面,将研究的算法落到实处也是极具挑战的,构建自动化脑电癫痫检测系统对智能化分析脑电数据具有重要意义。本文研究基于深度学习的脑电图癫痫检测方法,主要工作包括以下几个方面:（1）提出了一个检测脑电癫痫的多头自注意力机制神经网络模型CABLNet（convolutional attention bidirectional long short-term memory network）,可直接针对原始多通道脑电时序信号进行癫痫检测。首先将原始脑电时序信号数据送入卷积层,提取到脑电信号的短期时间模式和各个脑电通道间的局部依赖关系。接着使用多头自注意力机制从各个子空间提取出更丰富的时间序列长距离依赖关系和时间动态相关性,得到上下文表示。然后利用双向LSTM充分提取前后两个方向的信息,将其输入到全连接层融合后送入分类器。最后从900多小时的脑电数据记录中采样,构建了正负样本均衡的脑电数据集,设计了对比实验进行性能比较,也对不同病例进行评价,实验验证了该模型的有效性。（2）提出了一个多视图深度学习癫痫检测模型FPMVNet（short-time Fourier transform and power spectral density and multi-view deep learning network）,该模型用来对多通道脑电信号的多个视图进行融合。首先分别对原始脑电信号进行短时傅里叶变换、功率谱密度谱估计得到除多通道脑电信号外的其余两种视图数据。接着用注意力层决定横向维度间的重要程度,加权后用双向门控循环单元捕获纵向维度的关系。然后使用全连接层将隐藏状态的信息进行融合,使用全局平均池化提取部分视图的全局特征,使用全连接操作将各部分视图特征融合并送入分类器。最后设计了对照实验并与CABLNet模型进行比较,实验验证了该模型的有效性。（3）设计并实现了集病人信息管理、脑电数据管理、脑电数据分析和脑电图查看于一体的脑电癫痫自动检测系统,该系统使用Django框架。最重要的功能是将所提出的模型落地,可自动化的对医院记录的.edf格式原始脑电数据进行脑电分析,检测出癫痫发作的时间段,结合Echarts框架提供了脑电图可视化查看功能,可查看更细粒度脑电数据,为医生核对癫痫检测结果提供了极大的便利,对现代脑电癫痫检测具有重要意义。