脑电信号是大脑组织电活动和功能状态的综合反映,它通过在入脑上分布的电极记录下大脑的生理电活动,是一种包含多种信息且高度复杂的随机信号。长期以来,人们使用脑电信号诊断病人的脑部疾病(例如癫痫、精神分裂症等),取得了很好的效果。随着疾病诊疗的发展,传统的人工阅读方法已经不能满足现代脑电信号分析的需求,因此利用机器学习等智能方法实现脑电信号自动分类逐渐成为研究的焦点。脑电信号自动分类过程主要分为两个阶段：信号的特征提取和分类。在信号特征提取阶段,针对传统方法只能提取信号单一特性的问题,本文提出一种小波包与样本熵混合的脑电信号特征提取方法,利用小波包变换提取信号的线性特征,同时结合样本熵提取信号的非线性特征,能够更好地表现脑电信号线性与非线性的双重特点。在分类阶段,为解决单一极限学习机分类结果随机不稳定的问题,本文采用集成学习思想,依据不同的集成策略提出两种改进的集成极限学习机分类算法。基于线性判别分析的集成极限学习机分类方法使用并行的集成策略,利用线性判别分析对重采样产生的各个训练子集进行变换,得到相互间差异较大的子集,增加各个学习器间的差异性,减小集成泛化误差。基于互信息的Adaboost极限学习机分类算法利用串行的集成策略,增加误分样本对单一极限学习机的影响,并嵌入互信息输入变量选择,以整体学习器最终的性能作为评价指标,实现对输入变量以及网络模型的优化。仿真结果表明：本文所提特征提取方法能够充分得到信号全面的信息特征,有利于分类器分类。所提的两种集成极限学习机分类方法能够有效提升分类精度,具有更好的泛化性能。