癫痫是由神经元异常放电而导致中枢神经系统功能短暂失常的脑部疾病,其发作的形式和强度复杂多样。约30%的癫痫患者在服用药物后发作症状未得到缓解,只能寄希望于手术切除癫痫灶以进行治疗。在术前评估时,发作起始区作为癫痫灶定位显著的标志,其定位精度决定着手术的治疗效果。因此,如何实现发作起始区的准确定位具有十分重要的研究意义。目前已有多项研究表明:癫痫发作起始区内、外的高频振荡信号具有一定差异,其可被用于定位发作起始区。但传统的高频振荡信号检测多依靠人工识别,该方法效率低且主观性强。为此,本课题设计了一种高频振荡信号自动检测模型,在此基础上,将脑电图各电极触点的高频振荡与低频脑电特征相结合,共同用于发作起始区定位。本课题的研究内容主要包括以下三部分:首先,针对高频振荡信号无公开数据集的问题,本课题设计了一种初筛算法以提升信号的标定效率。该算法依据信号的波幅包络建立阈值,自动筛选出疑似片段。人工只需要对疑似片段进行最终判定即可,目前共完成2700例高频振荡信号的数据标注。其次,本课题设计了一种高频振荡信号自动检测模型。利用小波包变换方法将信号分解以提取各频段的特征,在此基础上采用改进的特征选择算法对特征进行筛选,最后通过支持向量机实现真、伪高频振荡信号的分类。实验结果表明,改进的特征选择算法对于检测效果的提升有帮助作用,其检测灵敏度为89.7%、特异性为90.7%。最后,本课题设计了两种发作起始区定位算法。（1）选择电极触点中高频振荡信号出现率和能量均值特征,通过阈值法实现发作起始区定位。其分类灵敏度为78.2%,误发现率为14.2%。（2）改进特征提取方式,将电极触点中高频振荡和低频脑电特征结合,分别利用决策树、K近邻和支持向量机算法实现发作起始区定位。实验结果表明,改进后算法各项性能指标均有提升,灵敏度为81.2%、特异性为83.6%。