癫痫是人脑非正常放电而导致的神经生物学疾病。具有发作时伴随紧急性的特点。脑电图是用来监测人脑活动的重要工具。目前,临床上脑电图主要由神经科医生进行标注,然而通过人眼检查以获取脑电图中的有用信息是既费力又耗时的。因此,如果能够发展基于数据算法的脑电信号自动分析与处理方法,实现致痫区的自动识别与癫痫发作期的自动检测,可有效减少人为主观的误判率,对癫痫疾病的诊疗有着极其重要的意义。传统的时频域分析方法在处理脑电信号时,受限于海森堡不确定性原理,无法保证良好的时频聚集性。本文提出了基于多重同步压缩变换的致痫区脑电识别方法。多重同步压缩变换采用迭代再分配的方法,逐渐增强时频分布脑电特征提取的能量集中度。从而可以高效研究多分量强时变信号,获得非平稳信号中各脑电特征分量的时频特性。首先,对原始脑电数据进行滤波处理,以减少相位畸变。使用多重同步压缩变换系数作为脑电信号分解后的时频特征,用于对致痫区脑电的识别。分别在两个不同的开源癫痫脑电数据库上,采用支持向量机作为分类器,对所提出的基于多重同步压缩变换的脑电特征进行验证。实验结果表明了本文所提出的方法的有效性,并且不同的脑电数据库上的良好结果又体现了本文方法的泛化性能。与此同时,本文基于多重同步压缩变换并结合多尺度散布熵与多标签k近邻算法,提出了癫痫发作自动检测方法。首先对原始脑电信号进行滤波处理和快速傅里叶变换,通过分析时频图得到条件优异的导联。然后,进行多重同步压缩变换,并在脑电特征中引入了多尺度散布熵,克服单一尺度的散布熵问题和提取信号时复杂的特征不完全现象。最后,结合最大后验概率,采用多标签k近邻算法在连续长程脑电信号中识别癫痫发作期。该算法可利用未知标签脑电数据中存在的有用信息,从而减少标注成本。在开源的连续长程头皮脑电数据库上验证了本文所提出的方法的性能。由于结合了多尺度散布熵,实验过程中,脑电信号的特征提取和偏差校正均得到很大程度的改善。并且获得了令人满意的实验结果,平均敏感度为91.85%,平均特异性为93.61%。与其他已有的发作检测方法的对比进一步体现本文方法的优异性。本文基于多重同步压缩变换对癫痫患者的脑电信号进行分析与处理,分别提出了致痫区脑电识别与癫痫发作检测方法,有助于促进时频分析在脑电信号处理中的应用。未来工作中,将在临床收集的更大规模的脑电数据集中,进一步对本文方法进行评估验证和完善。