癫痫是一种常见的精神疾病,全球约有七千万患者。癫痫脑电信号是判断癫痫发作的重要手段,癫痫脑电信号需要神经科医生的先验知识进行人工标记,这种标记方法费时费力。癫痫脑电信号的自动检测对癫痫患者的治疗具有重要的意义。近年来,深度学习在癫痫脑电信号检测中成为研究热点,并且取得了十分优异的检测效果,其中最为突出的是卷积神经网络CNN与长短期记忆网络LSTM相结合的混合模型,该模型在波恩大学数据集中能够达到100%的检测准确率。然而这些研究中并没有使用新的临床患者数据对模型进行测试,当建立模型时,该数据集具有一定的局限性。本文实现了CNN与LSTM相结合的混合模型对癫痫脑电信号的分类,在使用新的患者临床数据进行测试时,该模型的精度会急剧下降至近50%。在实际的临床诊断中,我们的模型往往要面对新的患者,提高模型的泛化能力使模型在面对新患者时也能保持较高的检测正确率具有重要的意义。针对以上问题,为了提高模型的稳定性和泛化能力,本文提出一种对不同分类器加权的多层加权集成算法以及基于混合高斯模型的置信度评估方法。主要工作如下:（1）提出了一种对不同分类器加权的多层加权集成算法,该算法先将不同的分类器对诊断结果进行加权投票,然后将投票的结果再次进行加权投票,从而产生最后的诊断结果。该算法改善了传统自学习算法受数据噪声影响较大的问题,在不同数据集间以及临床癫痫脑电信号数据的检测中都表现出较强的稳定性,大大减少了神经科医生的工作量,为癫痫的诊断和治疗提供支持和帮助。实验结果表明,该算法能够提高癫痫脑电信号自动检测的稳定性以及可靠性,在两个不同公开数据集和临床数据分类的准确率和AUC面积均能够达到0.80-0.95。（2）在多层加权集成算法的基础上提出了一种基于高斯混合模型的置信度评估方法。在多层加权集成分类器对大量无标记癫痫脑电信号数据进行标记后,该方法将标记后的数据采用多个高斯分布的高斯混合模型进行数据分布的拟合,然后将各个高斯模型中置信度高的数据挑选出来。通过使用该评估方法筛选出高置信度数据,增大深度学习中训练数据的数量,提高模型的泛化能力。该方法充分利用了未标记数据,在增加大量训练数据进行训练后,CNN与LSTM相结合的混合模型使用未训练过的新的患者临床数据进行测试时准确率提升了16-48%。