本文从多种信号处理方法以及神经生理的角度对两种典型认知障碍患者(精神分裂症病人、抑郁症病人)和正常对照组在四种不同精神状态(安静闭目、闭眼心算、数字划消、短时记忆)下的脑电时间序列进行了处理和分析，得出了一些在信号处理和神经电生理学方面有意义的结论，同时利用神经网络，对数据的自动分类识别方面做了尝试。主要的研究工作及创新如下： (1)认知脑电时间序列的复杂度分析研究。文章分别对不同实验对象在不同精神状态下的大脑不同部位的脑电LZ(Lempel-Ziv)复杂度做了计算。统计分析表明脑电采集部位和采集状态均可对LZ复杂度产生影响。大脑不同部位LZ复杂度存在显著性差异；说明在同一状态(无论是认知还是安静状态)下，不同部位的大脑功能活动是有差异的。不同认知状态间的LZ复杂度存在显著差异，安静闭目状态下的LZ复杂度较高，认知过程中的复杂度降低；说明这些大脑部位在不同认知过程中的活跃程度是不同的。在同一精神状态下，病人组脑电复杂度高于对照组，说明复杂度与大脑功能态有一定的联系。 (2)认知脑电的信息传递研究。通过对脑电各导联间的信息传输以及信息传输时间序列复杂度的计算与分析，提示互信息理论可以部分刻画大脑各部分的信息产生和相互之间的传输情况，从而定量的衡量大脑信息处理活动效率的变化。信息传输时间序列的复杂性测度C(I)在一定程度上可以反映脑功能态，提示用信息传输理论分析不同实验对象在不同精神状态下的脑电信号是一个极有潜力的方法，可能成为研究大脑的活动机理的新途径。 (3)利用人工神经网自动分类。文章选取病人组和对照组中对比明显的节律能量和复杂度等特异性参数作为输入向量，利用人工神经网络实现对脑电信号的分类识别，并对不同神经网络和不同特征量之间的分类性能进行比较。通过对有限量样本集的检验，结果提示安静闭目状态时的参量作为输入时网络分类的准确率比较高，BPANNs的分类性能优于自组织竞争网络。 以上是作者在这篇学位论文中的主要研究工作，本文从非线性分析入手，同时始终与传统的研究结果相比较，研究涉及了多方面的内容，得出了一些重要的结论，为将来提取出新的更有效的、有意义的特征值做了必要的基础理论研究。