伴中央-颞区棘波的儿童良性癫痫（BECT）是儿童时期最常见的癫痫综合征之一,其最明显的特征是在发作间期大脑Rolandic区存在不定量棘波放电现象,其放电量与患者病情有较为紧密的关系,因此棘波放电观测和统计成为了神经科医师对BECT患者诊断的重要依据,设计一种能够快速而精准地定位放电的儿童脑电棘波检测算法既能够辅助医生对BECT患者进行快速诊断治疗,也是进行后续病情自动化分析所不可缺少的关键一步。当前主流的棘波检测算法由于其面向的检测对象并不是BECT儿童患者,没有进一步利用BECT综合征的棘波放电特征优化检测性能,且往往忽略了儿童脑电的特异性,如存在较多干扰、振幅偏高等,这使得此类方法在BECT患者数据上的检测性能往往较差。针对上述存在的问题本文展开了研究,主要创新点包括以下几个部分:1.提出了一种基于时序特征与长短时记忆（LSTM）神经网络的棘波检测方法,充分利用棘波放电期间脑电的时序特征在单通道脑电数据上实现了高性能的棘波检测。该方法着眼于脑电作为一种序列数据的特性,通过脑电以及提取自脑电的平滑非线性能量（SNE）和形态学滤波特征（MC）用于刻画脑电数据在棘波放电周期内的时序特性,并采用在序列数据处理方面性能优异的循环神经网络架构完成特征分析与棘波分类检测工作,同时在检测流程中也针对数据存在的干扰以及棘波与非棘波数据不均衡现象做了相关处理。该方法最终在浙江大学附属儿童医院（CHZU）神经内科数据集上达到了88.54%、92.04%和85.75%的平均F1分数、灵敏度和精确度,各项检测性能指标均优于现有的主流棘波检测算法。2.提出了一种基于多通道数据加权融合的棘波检测算法,利用棘波放电的多通道分布信息进一步提升了方法整体的检测性能和泛化能力。单通道棘波检测算法设计复杂度低、实施灵活,但在可用信息量方面相较于多通道检测算法有天然劣势,该方法首先通过棘波的波形特征以及棘波放电在多通道下“针锋相对”的特殊现象完成候选样本筛选和伪迹去除工作,然后根据棘波放电现象最为显著的三类特性,基于多通道棘波候选样本各通道数据的振幅、波形和源距离三类权重加权生成单通道数据,并结合所提时序特征提取和LSTM神经网络分类方法完成了检测性能和泛化性能均表现优异的棘波检测方法。在CHZU数据上,该方法相较于前述单通道棘波检测算法在单人数据集上的F1分数、灵敏度和精确度进一步提升了7.43%、4.15%、10.08%,在混合数据集上,该方法的检测性能未见明显下降,展现了该方法优秀的模型泛化能力,各项检测性能指标较现有主流棘波检测算法有明显优势。3.开发了多通道儿童脑电棘波检测系统,该系统以MATLAB GUI平台为基础,包括数据导入、数据处理、样本筛选、伪迹去除、数据融合和棘波检测六大模块,能够基于预训练的神经网络分类器以及超参数完成多通道脑电从数据导入到完成棘波检测的完整棘波检测流程,并包含多个结果展示图窗和一系列可交互设计,能够帮助医生高效分析脑电数据棘波放电情况,进一步辅助患者的诊断治疗。