癫痫是由于脑部神经元超同步放电所导致的脑部疾病之一,全球约有5000万人患有癫痫。为了癫痫患者的生命健康,对于癫痫发作的检测至关重要。临床上一般借助脑电图作为癫痫发作的诊断依据,但通过肉眼分析脑电图形态来确定癫痫病灶区以及每次发作的时期是一个耗时且费力的过程,可能会造成诊断不及时、误诊漏诊的情况。随着信息技术的发展,利用计算机辅助实现癫痫自动检测算法具有较大意义。由此,本文提出了两种癫痫脑电信号的自动检测方法。基于经典机器学习方法,本文提出了逐步精确式特征选择与随机森林的癫痫检测方法。利用时域、频域以及非线性分析中从原始脑电信号中提取26种特征构成初始特征子集,提取到的脑电特征集合首先通过最大信息系数方法选出与类别关联程度最大的特征,再使用递归特征消除策略进一步筛选与目标任务相关的特征,最后通过基于惩罚项的自适应Lasso特征选择方法以确定最终的特征子集,最终选出的特征子集作为随机森林算法的输入,从而获得较高的分类精度。基于深度学习方法,本文构建了CNN-LSTM组合模型。将EEG信号的特征提取和分类两个步骤融合为整体模型,分别建立并行和串行两种组合模型实现一维癫痫脑电信号的自动检测。通过对比两种组合模型的分类性能以确定最佳的模型结构。该组合模型无需进行人工设计和提取复杂特征即可进行实验并达到良好的分类性能。将提出的两种癫痫检测方法分别在波恩大学数据集与CHB-MIT数据集进行验证与对比分析,两种方法均获得了较好的检测结果,具有较高的实用性价值。