脑电信号是大脑系统内部产生的综合性生理电活动,相较于其它生物电信号,对机体表征的状态更为全面。近些年,脑电信号在健康监测、疾病预防等方面的应用成为研究热点。聚类分析方法作为一种无监督的学习方法,在对信号进行分析前无需训练,相较于有监督的分类方法对随机信号的处理更加客观,对划分标准模糊的任务有着更好的分析效果。研究一种自适应聚类分析方法对脑电信号进行分析,实现对过渡状态或者相似状态的划分,对使用脑电信号实现健康监测或者疾病预防等具有一定的现实意义。本文的主要研究内容如下:（1）自适应聚类分析方法的核心算法选择与优化。使用K均值聚类、高斯混合聚类、密度聚类算法、基于密度峰值等四种聚类算法对数据库已标注情绪类别的脑电信号进行分析。综合考量聚类算法的准确率、时间复杂度以及稳定性等因素,选取密度峰值聚类算法作为聚类分析方法的核心算法。引入贝叶斯信息准则对密度峰值聚类算法进行改进,使其能够自适应的确定待分析脑电信号簇类别的个数。引入共同邻居参数对BIC-密度峰值聚类算法进行优化,提高自适应聚类分析方法的性能。（2）自适应聚类分析方法对所属类别模糊的脑电信号分析能力。使用研究的自适应聚类分析方法,对疲劳脑电信号分析,验证研究的方法对模糊状态脑电信号的分析能力。自主设计疲劳驾驶实验,完成对疲劳脑电信号的采集。通过重采样、带通滤波等方法对脑电信号进行预处理,引入独立成分分析去除脑电信号中心电与肌电等成分,使用小波阈值去噪对脑电信号进行进一步降噪。根据主观评价对脑电信号的疲劳状态进行预划分,通过对预划分的不同疲劳状态提取到的特征值进行量化分析,确定了疲劳等级划分的特征值。使用自适应聚类方法依据特征值进行疲劳状态等级的划分。并使用未经聚类方法分析的脑电数据进一步验证研究的自适应聚类方法的泛化能力。论文的主要创新点是引入贝叶斯信息准则与共同邻居参数对聚类方法中的核心算法进行改进,使其能够自适应的对脑电信号进行分析。结果表明,改进后的自适应聚类分析方法能够将连续的疲劳状态划分为清醒、轻度、中度、重度、嗜睡。对过渡的疲劳状态识别准确率均在85%以上,对清醒与嗜睡状态识别准确率均在90%以上。