脑电信号(electroencephalogram,EEG)是来自于大脑这一复杂系统的生理信号,是生理过程中大脑特定部位神经细胞群自发或诱发的电活动,是以生物控制论方法研究脑功能的典型领域。脑电信号具有很强的随机性,节律种类多样,包含丰富的生理、病理信息。从传统的目视观察、单纯的时域、频域分析,到现代的时频分析和非线性动力学研究,随着对脑电信号研究方法的不断发展,对于脑电的认识也越来越深刻,其应用也越来越广泛。在临床医学中,通过脑电图来检测部分脑部疾病(例如癫痫、抑郁症、脑炎、精神分裂症等)是一种不可替代的有效手段,尤其是在癫痫的诊疗领域更是不可或缺。当前对于癫痫脑电自动分类研究主要包括两个部分:特征提取和分类。特征提取是脑电分析研究的关键步骤,良好的特征质量对分类结果有着重要影响;适合的分类算法在训练和识别速度、分类准确性和稳定性方面有很重要的作用。本文以特征提取和分类两方面展开研究,主要工作如下:从机器学习角度对特征提取和分类两个方面进行研究。在特征提取阶段,提出一种基于小波包的时频分析结合非线性和统计学特征的特征提取方法,从多个角度深度挖掘脑电信号特征,然后融合形成特征向量。在分类研究中,采用集成学习的思想,结合网格搜索优化的XGBoost算法进行分类,并建立随机森林模型进行对比。结果表明提出的分类系统能充分提取癫痫脑电特征,并对不同类型的脑电信号进行准确分类,具有良好的泛化性能。进一步以机器学习结合深度学习的方法进行研究,采用神经网络的方法自动提取特征,并结合机器学习的方法进一步提高模型分类性能。首先研究了基于一维卷积神经网络的癫痫脑电分类模型;然后提出了基于一维卷积神经网络和XGBoost算法的混合分类模型。通过实验对比,结果显示所提混合模型能进一步提高一维卷积模型性能,整体系统具有更高的分类准确率,具有更好的普适性,并实现了癫痫脑电特征的全自动提取,特征提取更充分,且使可分类样本具有更短的持续时间,为癫痫脑电自动检测提供了新思路。