癫痫作为一种严重的脑部神经系统疾病,通常需要结合临床症状和脑电图（Electroencephalogram）对患者进行监测、诊断、治疗。然而,由于很多类神经系统疾病,如脑炎、新生儿惊厥、儿童夜惊、脑白质病变等这些典型的神经系统疾病,有着和癫痫极其相似的临床症状,使得即使是专业的神经科医生,也需要反复观察比对患者的脑电图,导致无法及时给出有效诊断,延误病情。考虑到医生进行脑电图读图时,无法通过观察比对发现脑电图的深层信息,本文引入流行的深度学习方法进行快速有效的儿童癫痫与典型神经系统疾病（即非癫痫疾病）分类,具体包含如下的研究工作:1.针对目前对于癫痫和其他病症的研究缺乏前期原始信号分析,本文提出利用离散傅里叶变换（Discrete Fourier transform）和短时傅里叶变换（Short-time Fourier transform）算法对不同病症的EEG做频域和时频分析,利用熵和分形维数做非线性分析,以及利用地形图分析（Topographic Map analysis）对不同时期的病例做脑区域分析。分析结果表明对于发作期数据,失神癫痫的频域特征明显,会有明显的频率节律;非线性特征对于发作间期数据有较好的适应性;对于个体而言,失神癫痫的个体差异很小,而局灶癫痫和非癫痫的个体差异稍大。该分析论证了本文所选课题的可行性,非癫痫疾病和癫痫之间存在差异性,可以通过机器学习或者深度学习算法对其进行进一步的研究。2.针对传统的手工特征无法对复杂的EEG信号做出深层表征,导致儿童癫痫与非癫痫疾病分类准确率低的问题,本文提出了基于EEG深度特征学习和融合的儿童癫痫和典型神经系统疾病分类算法。基于前期详细的EEG数据分析结果,首先从时频域、频域、非线性域分别提取了基于小波包分解的统计特征（Statistical Features）、平均幅值谱特征（Mean amplitude spectrum）、分形维数,过零率和基于傅里叶变换的特征（Fractal dimension,zero crossing rate and Fourier transform-based features）三种特征,然后构建了三层卷积神经网络模型对每种特征进行深度特征提取和降维,并结合支持向量机（Support vector machine）、K-近邻（K-nearest neighbour）、随机森林（Random forests）、极限学习机（Extreme learning machine）、卷积神经网络（Convolutional neural network）对非癫痫疾病与癫痫疾病进行分类,该模型在浙江大学医学院儿童附属医院（Children’s Hospital,Zhejiang University School of Medicine）数据库的发作期数据和发作间期数据上分别进行了验证,验证结果表明本文提出利用CNN提取的深度特征相比于传统的手工特征对样本能有更好的表征能力,并且同时起到了降维效果,大大的降低了分类器复杂度;并采用拼接、相加、平均的融合方法将三种深度特征融合,最终实验结果表明线性SVM组合拼接融合的深度特征能对非癫痫疾病和癫痫疾病达到最好的分类效果。3.开发了非癫痫疾病检测系统,以MATLAB GUI软件为依托,将本文所提的EEG深度特征学习融合算法应用于该检测系统,能实现EEG数据预处理、特征提取、深度特征提取、特征融合和分类识别五个功能,该系统能很好的辅助医生对儿童癫痫和其他典型神经系统疾病（即非癫痫疾病）进行分类识别。