癫痫被定义为一种因大脑异常活动而引发的神经系统疾病。在非癫痫发作期间,癫痫患者的表现与常人无异。而在癫痫出现时,癫痫患者的直观表现为肢体痉挛、口吐白沫等。同时癫痫还可能会导致患者产生烦闷、抑郁的心情,更严重的话甚至会造成患者猝死。脑电图是用来检测和纪录大脑活动的重要手段,然而临床中对脑电信号的分析方法主要是依赖医生或专家的人工诊断。因此会存在诊断效率低下,诊断准确性有待提高等问题。为解决上述问题,本文首先以使用带通滤波器作为脑电信号预处理方法。其次使用信息熵、排列熵、近似熵、模糊熵和样本熵计算滤波后的脑电信号的特征值,以构建便于分类的特征向量。最后在此基础上提出了基于ANFIS的癫痫脑电信号分类算法和基于迁移学习的癫痫发作预测算法。本文主要研究内容包括:（1）使用6组不同频率区间的4阶带通滤波器对试验所有数据集做滤波预处理。因为在脑电信号采集的过程中常常混有其他频率波段的信号干扰,而且脑电信号中不同波形对应的频率区间是不同的。因此为了得到较为良好的分类效果,本文首先以滤波的形式对原始脑电信号做预处理。（2）使用信息熵、模糊熵、排列熵、近似熵以及样本熵计算脑电信号数据的特征向量。（3）使用ANFIS作为分类器,对构建好的特征向量进行分类。该方法在CHB数据集取得了95.60%的分类准确率,并且对Bern数据集的分类准确率达到了97.73%。（4）以VGG19网络作为基础分类器,并加入迁移学习的思想。因为传统的深度学习中存在的严重的数据依赖的弊端。而且实际临床治疗中,存在脑电信号采集成本较高且标注困难的问题。而迁移学习的思想就是在一个数据量充足的领域预先训练好一个网络模型并将学到的知识或者网络结构转移到另一个领域。非常适合小样本数据的训练。该算法以波士顿儿童医院癫痫脑电数据集作为实验数据,以6组不同频率区间的带通滤波器作为预处理的方法,用样本熵作为特征选择。最后使用迁移学习后的VGG19网络作为分类器识别发作期的癫痫脑电信号。最终实验结果为,本算法的最长平均预测时间为41.30分钟,所有病人的平均预测时间为23.82分钟;最高预测准确率达到了93%,而平均预测准确率达到了86.4%。最低误报率为22%,平均误报率为34%。最终的实验结果证明该方法用于癫痫发作预测的可靠性。