癫痫是一种反复发作的脑部疾病，它的发作是由于大脑皮质神经元突然过度地、同步地放电引起的。癫痫有许多可能的病因，包括各种脑部疾病、脑损伤和异常的脑发育等等，在大多数情况下癫痫的病因无法查明而且很难治愈。癫痫脑电信号的分析通常是医务人员通过视觉观察脑电图(EEG)来完成的，这种方法主要依赖于医务人员的临床经验。EEG数据通常持续时间很长且复杂性很高，这很容易导致误检和漏检。因此，一种有效的癫痫自动检测系统在癫痫发作的研究中具有重要的价值，并且目前国内外有很多学者都在致力于这项工作的研究。　　 脑电信号是非平稳的，拥有时变的频率分量，而时频分析综合了时域和频域的信息，被证明是进行脑电信号分析的一个强有力的工具，因此在癫痫检测中得到了广泛的应用。常见的时频分析方法有短时傅立叶变换、小波分析和维格纳-威利分布(WVD)等等。为了有效抑制交叉项干扰，本论文使用平滑伪维格纳-威利分布(SPWVD)时频分析方法，对癫痫脑电信号进行时频分解。　　 分类器对于癫痫检测的性能具有重要作用，常见的分类器有统计方法、最近邻分类方法、判决树、人工神经网络以及支持向量机等。本文使用的提升算法是一种机器学习方法，可以利用若干弱分类器建立一个强分类器，进而可以提高分类的精确度。　　 本文的方法分为三个步骤，首先对每一个脑电频段使用平滑伪维格纳-威利分布进行时频分析提取其频谱，然后提取特定时频窗口的局部能量组成特征向量，最后将特征向量作为输入导入到提升算法分类器中进行分类。本文用到的脑电数据来源于德国Freiburg医学院的癫痫研究中心的癫痫数据库，该数据库包括21位癫痫患者，共有87次癫痫发作。实验结果表明，该方法能够达到较高的敏感度、识别率和特异性，以及较低的错误检测次数。因此，本文提出的基于SPWVD和提升算法的癫痫检测算法是一种较为有效的癫痫检测算法。