癫痫是一种常见的神经系统疾病,由于在老年人和儿童群体中发病率更高,所以给个人和家庭都带来了沉重的负担。正确认识癫痫并建立合理的治疗方案不仅能减轻患者及其家庭的压力,还有利于社会稳定发展。目前临床的癫痫检测依然需要经过专业训练的神经科医生对脑电图进行视觉分析并根据自身经验得出结论,最后采取适当的诊疗方案。而随着脑电数据量的增加,视觉检查已成为一项耗时费力的任务,其检测的准确性严重依赖于医生的经验和熟练程度。因此,癫痫发作的自动检测技术不仅能够减轻神经科医生的工作量,且对癫痫的诊断和治疗都具有重要意义。由于癫痫发作事件的持续时间远短于癫痫非发作时间,患者的发作期与非发作期的脑电数据的分布是极端不平衡的,因此,不平衡分类已成为发作自动检测的重要挑战。本文提出了非平衡深度学习模型来显著提升发作检测的性能。首先,为了改善不平衡的脑电数据分布,构建了生成对抗网络（Generative Adversarial Network,GAN）自动生成用于训练的癫痫发作期的脑电数据,从而形成更均衡的训练集。然后,设计了一维卷积神经网络（One-dimensional Convolutional Neural Network,1DCNN）来处理一维脑电信号,并在由原始脑电数据和生成脑电数据组成的增强训练集上进行训练。与传统的2DCNN相比,1DCNN的深层架构减少了训练参数,从而大大提高了训练速度。在三个开源的癫痫脑电数据库上,对本文所提出的方法进行了验证。经过GAN的数据增强后,所设计的1DCNN在癫痫检测中表现出了更好的识别效果,说明了本文方法在解决发作自动检测中的不平衡分类问题方面的有效性。并且通过与已有的癫痫自动检测方法的比较,表明了本文方法的检测性能的优势与良好的泛化性能。本文基于深度学习构建了结合GAN与1DCNN的癫痫发作检测模型,有助于促进生物医学信息处理中的不平衡分类问题的解决。在今后的工作中,将在更大规模的临床脑电数据中验证和完善所提出的发作检测深度模型。