近些年,在脑电信号分析领域,人工检查的方式已经逐渐适应不了实际需求。随着机器学习和深度学习算法的日益蓬勃发展,人工智能与脑电信号分析的结合也越来越深入。在癫痫方面,棘波（spike）是一种主要的痫样波形。因此,对癫痫间期（非发作期）的spike的准确识别对诊断和预测癫痫的发作有重要意义。然而,现有的部分spike识别算法具有一定的局限性。因此,本文基于深度学习,提出了两种癫痫间期spike识别方法。相关的具体研究如下:首先,本文提出了一种基于时频和波动特征融合深度网络（Time-Frequency and Waveform-Changes features fusion deep networks,TFWC networks）的spike识别方法。为了实现更好的识别效果,本方法结合了专家在人工识别spike时的判别过程。通过提取时频特征短时傅里叶变换（Short-Time Fourier Transform,STFT）来在时域和频域上宏观地描述脑电信号波形的变化。通过提取波动特征数据点差值（Data-point difference,DD）来着重刻画波形尖峰位置与平缓位置的差异。最后将两种特征进行融合。该方法在宣武医院spike数据集上进行测试,实验结果表明TFWC networks在spike识别任务的准确率达到91.29%。其次,在基于时频和波动特征融合深度网络的基础之上,本文提出了一种基于时频残差和多阶差分波动特征融合深度网络（Time-Frequency Residual and More-order-difference Waveform-Change features fusion deep networks,TFRMWC networks）的spike识别方法。在分析时频特征时,鉴于残差网络在处理网格数据上的优秀表现,采用残差块来替换卷积结构。在分析波动特征时,添加二阶差分（Second order difference）和三阶差分（Third order difference）特征作为波动特征的补充。最后将两种特征进行融合。该方法在宣武医院spike数据集上进行测试,实验结果表明TFRMWC networks较TFWC networks在spike识别任务上有更好的效果,准确率达到91.78%。最后,将spike波形识别方法的各步骤进行集成,开发spike波形识别系统。该系统具有特征提取及可视化、模型训练和波形识别三个功能。在特征提取及可视化部分中,特征类别包含STFT和DD两种;在模型训练部分,采用的识别算法是TFWC networks;波形识别功能可以对满足采样频率频率和时间长度要求的脑电信号片段进行spike识别。