脑电信号是大量神经元细胞群的同步活动在大脑皮层和头皮表面的整体反应。通过对脑电图进行处理与分析,既可以有效地对某些神经疾病例如癫痫等进行诊断,也可以对大脑的状态例如不同睡眠阶段进行实时分析。癫痫是由脑部神经元异常放电所导致的一种较为常见的脑部疾病,具有突发性、反复性等特点。目前癫痫检测的主要方法是医生人工判读脑电图,费时费力,所以,开发一种癫痫自动检测方法对于癫痫疾病的诊疗有着重大意义。同时,对于睡眠相关疾病,睡眠分期是其诊疗的重要依据,因此,发展睡眠自动分期系统有利于对睡眠健康状况的有效监测。目前,多数癫痫检测方法都是利用某一患者自身的脑电数据训练模型,并对其本人进行检测,即均属于患者特异性模型。然而,在实际临床中,由于大部分患者,尤其初诊患者,没有或者有很少自身的癫痫发作脑电数据,因此,多数癫痫检测方法不适于临床应用。而本文提出了一种基于自组织模糊逻辑的跨患者癫痫发作检测方法,可利用其他患者的脑电数据来训练识别癫痫发作的脑电分类模型。由于该分类模型不受预定义参数或关于脑电数据生成模型的先验假设的影响,只将关键的元参数存储在内存中,因此,适于需要利用庞大脑电数据库的跨患者癫痫检测。将所提取的脑电统计特征送入自组织模糊逻辑分类器,通过调整粒度与距离类型等参数达到最佳检测结果。在24个病例的长达835.75小时的长程连续脑电数据上进行了实验,跨患者和患者特异性检测的G-mean分别达到了83.35%和92.04%。与其他检测方法相比,本文方法具有较好的检测性能和泛化性能。同时,本文结合非线性动力学提出了一种基于自组织模糊逻辑的睡眠自动分期方法。将多导联脑电信号不同导联之间的关系看成不同动力学系统之间存在的耦合关系。由于不同的睡眠阶段之间,脑电信号不断变化,不同动力学系统之间耦合关系也将发生变化。本文利用非线性相互依赖性作为特征,来量化不同导联的脑电信号之间的相互关系。并且用该非线性脑电特征训练自组织模糊逻辑分类器,对连续睡眠脑电数据进行六分类。在包含20例患者的睡眠脑电数据库上验证了本文所提出的睡眠分期方法的有效性。本文基于自组织模糊逻辑分别提出了跨患者与患者特异性的癫痫检测方法与睡眠自动分期方法,将有助于推动模糊逻辑在脑电信号处理与分析领域的应用。在未来的工作中,将收集更大规模的临床脑电数据,对本文所提出的方法进一步进行性能评估,从而进一步完善本文方法。