癫痫是一种慢性的、危及人类生命健康的脑部神经性疾病。由于其病理的突发性且人数每年以40万左右的速度新增,这使得癫痫的救治刻不容缓。就医生而言,不仅需要预测癫痫发作期,提醒患者提前做好防备,还需要在癫痫发作时及时判断癫痫类型,从而给出准确的救治,减轻患者在发病中的痛苦和死亡率。脑电图是获取癫痫患者脑部信息最重要且高效的途径之一。近几年的癫痫研究中,大多数科研人员注重的是癫痫发病前期的预测与检测,对癫痫发作类型的分类缺乏研究。如果能有一种对癫痫发作类型分类的研究,这会大大缩短医治的时间,减轻患者的发病期痛苦,避免医治不及时而造成的死亡等。因此,关于癫痫发作分类的研究意义重大。本文研究主要分为以下两个部分:（1）提出了两种基于迁移学习多模型融合的算法,在天普大学医学院的TUSZ数据集上,从22个蒙太奇组合通道中提取平均幅度普（MAS）特征,使用relief F进行特征选择,最后将其转换为图像。使用以下两种迁移学习策略:（1）迁移学习多模型特征融合,（2）迁移学习多模型分类概率融合。使用Alexnet,Googlenet,Inception-v3,Resnet18,Vgg16和Vgg19的六个预先训练好的模型,替换其后三层（全连接层、softmax层和输出层）进行深度特征提取,最后特征融合是将6个预训模型的特征用1个支持向量机（SVM）进行特征分类,得出结果;而概率融合是将6个预训练的模型的特征分别用6个支持向量机进行概率分类,最后用D-S证据理论进行概率融合,得出分类结果。结果表明,所提算法优于比较算法,采用概率融合策略获得最佳分类性能,分类准确率和F1分数分别达到98.48%和97.61%。（2）提出了利用生成对抗网络进行癫痫发作数据扩充的思路。本文提出的多模型融合分类算法是基于数据集充分且均衡的情况下进行分类的,为了提高算法的泛化性能,使其在数据集不均衡的情况下也能取得不错的效果,利用生成对抗网络对不均衡数据集进行扩充,相比于数据扩充前,分类指标提升了约3%。