脑干听觉诱发电位（Brainstem Auditory Evoked Potential,BAEP）是脑诱发电位（Evoked Potentials,EP）的一种,它所包含的时域、频域信息对于评价人体听觉功能、诊断神经系统疾病等方面具有重要意义。目前临床上常用的脑干听觉诱发电位由于叠加平均而丧失了大量的动态信息,无法准确描述脑干功能的动态特性。因此,BAEP的单次（或少次）动态提取是近年来脑干听觉诱发电位提取技术研究的热点与难点。许多研究者将新的数学方法应用于诱发电位的动态提取当中,但多数研究都假设噪声和信号间为加法关系,这具有一定的不合理性,存在一定的缺陷。随着数学和计算机科学的不断进步,有研究者将小波变换（Wavelet Transform,WT）引入到脑干听觉诱发电位的非线性提取中,不但摒弃了先前的假设,而且在信噪比较高时取得了良好效果。但由于小波变换本身的特性,在低信噪比（Signal NoiseRatio,SNR）情况下,其性能得不到较好发挥,使得提取效果存在缺陷。BAEP信号中所含噪声具有一定的随机性和不均衡性。为了提高BAEP信号的信噪比,以利于小波变换方法的实施,本文除了借助一定次数的叠加平均,还引入粗集理论对BAEP信号进行预处理。根据粗集理论（R0ugh Sets Theory,RST）的基本原理,利用脑干听觉诱发电位信号的关键特征对信号进行分类,针对不同部分进行相应的预处理操作,得到信噪比较高的预处理后信号。然后运用小波变换对其进行分解、分析、去噪和重构,以获得BAEP的提取结果。粗集分类法和小波变换都是非线性的数学方法,因此,本文研究是对BAEP的非线性动态提取。论文的主要工作如下:（1）首先将含噪BAEP序列作10次叠加平均,然后运用粗集理论对含噪BAEP信号进行动态粗分析和特征识别,按照其特征参数阈值进行分类,将含噪BAEP序列分为三个不同的部分:N₁、N₂和N₃。针对不同的部分进行相应的操作,以实现对含噪BAEP序列的非线性初步滤波（即预处理）。其中运用遗传算法对分类阈值进行寻优,使粗集分类过程更具科学性。（2）运用离散小波变换对预处理后的含噪BAEP信号进行多分辨率分解,将原BAEP信号分解为概貌和细节两部分。保留全部细节系数和最高层概貌系数,之后对细节系数包含的信号信息进行相关性分析,用统计检验方法考查其相关程度和显著性水平,并选取相关性较好的项,剔除其余项,达到去噪目的。根据相关性分析中各细节系数的相关程度,将去噪后的细节系数进行筛选,运用最高层概貌系数和细节系数重构波形,重构后的BAEP信号就是本文方法的提取结果。（3）实验结果对比分析:设计一系列仿真实验,将本文中采用粗集理论和小波变换方法得到的提取结果与其它提取分析方法（叠加平均方法和普通的小波变换方法）进行比较,衡量本文方法的优势与不足。比较结果证实了本文算法的有效性和稳定性,且在低信噪比情况下也能取得较好的提取效果。论文最后对全文进行了总结,并对下一步的研究工作进行了展望。