作为阿尔兹海默症(Alzheimers Disease,AD)的前期阶段,轻度认知障碍(Mild Cognitive Impairment,MCI)的诊断日益受到社会各界的广泛关注。其中,脑电(electroencephalogram,EEG)数据的耦合特征成为了AD和MCI早期识别的重要生物标记。但是目前的方法大多只针对两两脑区之间的耦合关系,较少考虑其他通道对这耦合关系的影响,基于此本文提出了一种多维EEG信号耦合特征提取方法并通过实验找到了最适合用于此特征分类的快速学习网(fast learning network,FLN)分类器。首先,本文研究了与排序条件互信息耦合特征最佳组合的FLN分类方法。将排序条件互信息(permutation conditional mutual information,PCMI)提取到的耦合特征输入到多种主流分类器中,对具有遗忘性轻度认知障碍(amnestic Mild Cognitive Impairment,aMCI)的II型糖尿病(type 2 diabetes mellitus,T2DM)患者与对照(NC)组不同脑区不同频段的EEG信号进行分类,根据结果得到最优分类器。实验结果显示FLN分类器是识别PCMI耦合特征的最优分类方法。其次,考虑到其他通道对两两通道耦合关系的影响,提出了多维排序条件互信息(multivariate permutation conditional mutual information,MPCMI)方法。本文分别用多通道耦合神经元群模型产生的多通道仿真EEG数据和具有aMCI的T2DM患者与无aMCI的NC患者的真实多通道静息态EEG数据,通过对照实验验证了MPCMI方法在提取耦合强度特征和aMCI患者EEG信号识别方面的优越性。结果显示基于MPCMI的耦合特征提取方法在真实脑电信号分析方面优于其他三种耦合特征提取方法。综上所述,本文从与耦合特征配套的分类器方法、多维耦合特征提取方法角度研究了MCI脑电数据的识别方法。通过MCI实验数据与仿真数据验证了在MCI患者EEG数据识别领域的FLN可以作为与PCMI最佳组合的分类器,MPCMI可以作为目前最佳的多通道耦合特征提取方法。