人脑作为自然界中最复杂的系统之一,已成为当代科学家面临的重大挑战之一。越来越多的科研工作者将脑神经技术与其他学科结合,对大脑的结构和功能进行了大量的多领域和多层次的研究工作,不断的揭示着大脑的活动本质以及脑神经的运作机制。本文在前人的工作基础上,研究了癫痫自动检测算法以及精神分裂症的脑网络这两大热门研究领域,基于互信息(Mutual Information,MI)深入探讨了这两类常见的困扰人类健康的大脑疾病的特点以及发病机制。论文介绍了癫痫自动检测算法以及精神分裂症的脑网络的研究背景、研究意义以及研究现状,并详细介绍了大脑功能与区域、大脑节律波、MI、支持向量机(Support Vector Machine,SVM)以及复杂网络的基本原理与研究发展。基于上述理论,本文主要完成了如下研究工作。首先,基于MI改进了癫痫自动检测算法,利用互信息量化导联之间的关系,自适应地选取最佳分类导联,提取该导联对应的所有样本的相关统计量组成特征向量,并输入SVM进行学习与训练。实验中使用了两套癫痫数据,分别是一个人的8组癫痫发作期和发作间期的皮层脑电图(Electrocorticogram,ECoG)、18个癫痫发作以及18个正常脑电图(Electroencephalogram,EEG)。实验结果表明该算法不仅准确率高,而且速度快。此外,该算法加入的根据病人个体情况自适应选择最佳分类导联的环节,为临床实时监控癫痫的实现提供了有力的参考。其次,设计了基于互信息的脑功能网络的构建算法,并将其应用到正常人、精神分裂症患者及其无症状亲属的脑磁图(Magnetoencephalography,MEG)上,构建了三类人群的脑功能网络,并提取了网络的相关复杂网络测度,以此分析三类人群脑网络结构以及信息传输的差异。实验结果表明,正常人的脑功能网络功能区划分比其他两类人群更细致、独立,且静息状态下,正常人的各个脑区的信息交流明显变少,而其他两类人群的大脑依旧处于活跃状态。这些结论为我们理解精神分裂症的外在发病机制以及潜在遗传机制提供了参考。最后,考虑到不同节律波可以体现不同的生理状态,我们进一步分析了利用精神分裂症等三类人群的α节律波构建的脑功能网络。实验结果表明,相较于全频段分析,α节律波的结果的规律更明显,对三类人群的区分度比全频段的高。此外,还分析了其他节律下的脑功能网络的特性,发现不同节律波的全局特征基本一致,但是局部特征存在差异,可进一步利用其局部特征研究三类人群的不同生理特征的差异。