长期以来癫痫发作预报是临床亟待解决的一大难题。及早地对癫痫病患者进行发作预报可以给患者和医生提供采取相应保护措施的时间,以避免发生由于突发性发作所带来的意外伤害。本文主要通过对多元脑电信号的分析尝试对癫痫发作进行有效预报,主要开展脑电信号的特征提取和分类两个方面的工作。在特征提取方面,为克服经典相位同步分析方法相位关系描述单一的局限性,提出一种基于相位分析的多元脑电信号特征提取方法,该方法从癫痫发作的机理出发,采用希尔伯特-黄变换来计算信号相位,并从模型辨识的角度对所有通道脑电信号之间的相位相互关联信息进行提取。在分类方面,为改善癫痫发作预报系统的敏感性和特异性,提出一种概率判决极端学习机,该算法具有概率式输出,更符合医学习惯；另一方面,为提高癫痫发作预报系统的稳定性,提出一种集成极端学习机,该算法引入集成学习策略,以改善机器学习随机性强、稳定性差的问题。此外,为使癫痫发作预报系统的模型更加灵活、能够随着患者生理状态的改变而自适应改变,提出一种动态更新框架,使所建立的预报模型更加贴近患者的真实情况,为便携式癫痫发作预报器的开发提供一定的理论参考。仿真结果表明：基于相位分析的多元脑电信号特征提取方法能够很好地提取脑电特征以检测发作的即将到来；概率判决极端学习机和集成极端学习机能够从不同的角度更好地改善发作预报系统的性能；发作预报动态更新框架的提出,实现了发作预报系统自适应的目的。