新生儿的脑功能异常会给患儿带来较高的死亡风险和神经发育不良的严重后果。振幅整合脑电图(amplitude-integrated electroencephalography, aEEG)技术作为一种简洁高效的脑功能监测手段为新生儿脑功能状态监测提供了有力的支持。与核磁共振、CT类脑监测技术相比,aEEG有着明显的成本优势,且适合床边长期脑功能监测。但aEEG信号的分析工作需要医务工作者投入大量时间和精力,若能找到一个高效的aEEG信号自动识别方法,则可以帮助医生减轻工作负担,对该技术发展和推广有积极意义。论文的主要工作是探寻aEEG信号的自动识别方法,提出了一种新的aEEG信号联合特征提取方法和一个基于随机森林模型的aEEG信号自动识别方案。首先,在国际通用幅值特征的基础上,考虑aEEG信号基本特点、振幅分布和信号复杂度,提取了基本特征、直方图特征和分段特征三组特征；观察了分组特征单独作用和共同作用时对aEEG信号的刻画能力,特征效度计算实验表明,三组特征在刻画aEEG信号时均有自己的独特贡献,且三组特征联合工作时可达到更佳的效果,据此提出了由基本特征、直方图特征和分段特征构成的联合特征。其次,对比了线性判别模型、逻辑斯谛回归模型、支持向量机和随机森林等分类器对aEEG信号的识别效果,提出了基于随机森林模型的aEEG信号自动识别框架。通过分类器参数调优、非平衡数据样本权重调优、特征有效性验证、特征选择和分类器效果对比等一系列实验,获得了分类器的最佳参数配置,计算了特征效度以验证特征的有效性,对常用分类器的分类效果进行了横向对比；为克服数据分布不均给分类结果带来的误差影响,引入样本权重以提高模型的鲁棒性,在训练与分类的过程中,分类器基于该权重调整分类树参数和分类结果的判定依据。一系列实验结果证明,论文提出的基于随机森林模型的aEEG信号自动识别方案取得了最佳分类效果,该方案能有效实现对aEEG信号的自动判读,综合分类性能指标FI-Score达到95.26%,分类结果可作为医生诊断的辅助依据。