癫痫是一种因为大脑神经元突发性异常放电,导致短暂的大脑功能障碍的慢性神经系统疾病。癫痫发作时,患者通常会失去意识,且发作具有反复性、突发性,给患者带来极大的生活不便,甚至影响人身安全。脑电图（Electroencephalogram,EEG）蕴含丰富的癫痫病理信息,临床上脑电图检查以其无创、便捷、诊断结果准确等特点,在癫痫诊疗中占有最重要的地位。目前,脑电图的读图工作主要依靠医生的目视检查,整个过程费时费力且效率低下,尤其是疲劳状态下,医生的误检率也会变高。因此,设计一套准确、可靠、能够辅助医生读图的癫痫自动检测算法意义重大。本文的主要工作是设计了一种以多尺度密集卷积神经网络（Multiscale Dense Convolutional Network,MSDCN）为主,基于时频特征的自适应增强（AdaBoost）分类算法为辅,两者预测结果加权融合的癫痫自动检测方法。多尺度密集卷积神经网络主要由浅层特征提取模块,多尺度密集卷积块（Multiscale Dense Convolutional Block,MSDCB）和特征融合模块组成。多尺度密集卷积块主要由核心的denseblock和过渡层组成。Denseblock内部的卷积层用多尺度卷积核代替单一尺寸的卷积核,可以自适应地学习不同尺度的信号特征。同时,内部的卷积层与层之间采用了密集连接的方式,加强了特征的传递和重用。特征融合模块将所有多尺度密集卷积块的输出级联在一起,并且通过注意力机制对输出特征图进行筛选和权重的再分配,提高了输出特征的利用效率。AdaBoost分类工作采用已经在癫痫发作自动检测中被证明了有效性的EEG信号时频特征来训练AdaBoost分类器。在测试阶段,将基于时频特征的预测结果与MSDCN的预测结果进行加权融合,结合隐性特征与显性特征,充分挖掘脑电信号的信息,优化网络预测能力。实验也证明了该方法的有效性。将算法应用于国际开源的波士顿儿童医院癫痫脑电数据集和天普大学癫痫脑电数据集进行性能评估。测试准确率分别达到98.56%和94.83%,与最新的其他方法相比,本文所提出的检测算法具有更好的整体性能。此外,本文还使用了吉林大学白求恩第一医院构建的临床数据集,并且准确率、特异性和灵敏度也分别达到了 99.20%、98.43%和99.08%。实验结果充分证明了本文所提出的方法对基于EEG信号的癫痫自动检测任务的有效性和准确性。在上述方法的基础上,采用评分机制来对整体算法的结果进行细化呈现。医生能根据评分结果选择优先阅读哪些片段,直到掌握足够的病理信息,给医生更大的选择自由。