神经系统疾病的诊断一直是生物医学领域极富挑战性的问题,而癫痫是最常见的神经疾病之一,它是由紊乱的过度或者超同步的神经元活动所引起的,具有周期性和反复性。脑电图在癫痫的诊断中起着至关重要的作用,传统的临床手段主要借助于脑电图进行视觉检测,费时费力,并且可能会产生不必要的人为经验误差。因此,对癫痫脑电的自动分类识别是必要而且有意义的。脑电信号中包含着多种生理以及病理信息,为神经性脑疾病的诊断与治疗提供了相应的依据。考虑到脑电信号的高度复杂性和非线性的特点,本文从两个角度来研究癫痫脑电信号的分类问题,即非线性特征提取策略和稀疏表示方法。主要工作如下:第一,非线性特征提取主要是依据脑状态的变化所带来的某些大脑活动特征的变化来分析检测不同的脑状态,条件熵作为一种非线性度量手段,能够有效地测量出生理信号的不规则性。应用条件熵分析脑电信号的复杂性特征,并基于神经群模型结合差异系数对其进行参数选择与性能分析,最后结合支持向量机实现癫痫脑电的自动分类。第二,稀疏表示方法主要是通过1l范数最小化问题的稀疏约束解来比较不同类别下的训练样本对测试样本的重构误差,实现癫痫脑电信号的有效分类。不同于基追踪去噪方法来求解未知参量的1l范数最小化的等式约束问题,本文采用快速迭代收缩阈值算法对其进行求解来确定癫痫脑电的所属类别,并且确定了分类效果最佳的字典原子个数与重构误差容限。基于条件熵和稀疏表示的癫痫脑电分类研究,为癫痫疾病患者的诊断提供了依据,同时减缓医务人员的工作强度,提高工作效率。