目前,脑电技术正在快速的发展,其作为一种广泛使用的非侵入式神经成像技术,被用于各种神经科学研究和临床数据诊断,因此研究从脑电信号中提取更加有效的特征对于大脑研究是一项非常重要且十分有意义的工作。传统脑电特征提取中常见的一种方法是通过多通道脑电信号构建头皮脑网络并从中提取网络参数,但容积效应的存在导致头皮网络信息不准确,并且传统头皮网络参数特征不能很好的衡量网络复杂性。脑电溯源能够有效解决容积效应并且能够得到皮层级别的空间信息,同时得益于网络熵方法能够度量网络结构信息分布和网络复杂性,基于此本文提出运用网络熵方法从皮层级别的溯源脑网络中提取特征,并在拥有三种视觉刺激任务的脑电数据集上与多种传统脑电特征进行对比分析。主要工作如下:1.使用新一代脑电溯源算法BC-VARETA计算脑电源并将脑电源映射到脑区,以脑区作为节点,用脑区之间的偏相干矩阵作为边,构成静态溯源脑网络;2.引入四种网络熵算法表征脑网络,使用节点度熵测量网络异质性,使用链路长度变化熵表征无向加权网络边链路权值变化影响,使用基于平均链路长度的链路影响熵表征当删除任意边链路之后网络中的平均链路长度变化来衡量该删除的边链路的重要程度,使用基于平均路径长度的链路影响熵表征桥接链路等特殊边链路的重要程度;3.对溯源脑网络进行线图变换,在一定保留网络拓扑信息的情况下,将脑区激活值（节点值）加入到拓扑网络中,使用网络熵算法再次提取特征;4.使用稳定分类算法对提取网络熵特征的不同视觉刺激进行分类并与传统脑电特征进行横向对比,发现BC-VARETA静态溯源脑网络的网络熵特征分类F1分数达到0.766,比传统特征分类高出0.08,并在最优的分类参数下对静态溯源脑网络的网络熵特征进行重要性排序,发现α频段特征对分类的贡献最高。本文从溯源后的静态脑网络出发,创新性的利用网络熵算法从皮层级别的脑网络中提取拓扑复杂性度量特征,从拥有三种视觉刺激的脑电信号中计算的静态溯源脑网络的网络熵特征在分类任务中达到了优秀的表现。基于网络熵方法提取脑电溯源网络特征的方法可以为今后使用脑电分析大脑认知、疾病诊断等进一步相关研究,提供了指导意义。