癫痫是一种常见的慢性神经疾病，由大脑突发性异常放电引起，现已成为医学界一大难题，严重地危害人类的健康。目前，脑电图检查是癫痫诊断的最重要的的手段之一。但大脑属于一个混沌系统，医生在实现对癫痫的诊断时，需对脑电信号进行长期观测从而做出判读，需要耗费其大量的时间及精力且易掺入医师个人主观倾向而导致结果的不准确。因此有必要提出一种借助计算机辅助的，利用脑电信号混沌特性，从而实现对癫痫脑电信号分类的方法。当前脑电的分析方法分为两类:线性分析方法和非线性分析方法。其中线性分析方法是基于脑电信号的线性特征，如相对振幅，相对能量等，采用时域分析，频域分析以及时频结合的方法。非线性方法基于脑电信号的非线性特征，如近似熵、李亚普诺夫指数、长程相关性和关联维数等特征。大脑作为非线性动力学系统，因此用非线性的方法来研究脑电的特性效果更好。本文采用了近似熵和李亚普诺夫指数定标指数来标识癫痫EEG的非线性特征。本文选择支持向量机（SVM）作为分类器，其突出的优点表现在泛化能力特别好，实现误差非常小，而且该分类方法的鲁棒性特别好，应用范围极其广泛。本文提出了两种脑电分类方法，一种是基于李雅普诺夫指数和表征脑电信号波动强度的波幅波动值的分类方法，一种是基于近似熵和表征脑电信号幅值大小的波幅归一值的分类方法。使用德国波恩癫痫研究室的癫痫数据，通过SVM分类器对癫痫脑电进行分类。李雅普诺夫表征了EEG时间序列对系统初值的敏感程度，近似熵则表征了EEG时间序列的复杂度，它们代表了脑电信号的非线性特征；而脑电信号的波幅波动值和波幅归一值则刻画了其线性特征，两方面的结合充分利用了脑电信号的特性，提高了癫痫脑电分类算法的准确度，仿真表明算法具有计算复杂度低，效率高的优点。