癫痫是最常见的脑部神经系统疾病之一,发作时患者会不受控制地抽搐且发作时间具有很强的不确定性,不仅给癫痫患者的身体和心理造成极大的损害,还会妨碍患者及其家人的正常生活。此外,通过医疗手段,并不能完全解决所有癫痫患者的烦恼,所以对癫痫进行预测就占据了极其重要地位。目前的方法具有预测时间短、敏感性低等缺陷,因此,本文通过EEG对癫痫预测进行了研究,提出了一种癫痫预测方法,主要研究内容如下:（1）针对原始癫痫脑电信号中的高频噪声以及其它伪迹信号对癫痫预测的影响,首先对信号进行降频处理,然后分别利用带通滤波器和快速独立成分分析法（Fast ICA）对信号进行滤波和眼电伪迹消除,最后通过分析对比不同阈值准则和小波函数下的消噪效果,选择基于无偏风险估计阈值准则和自适应阈值函数相结合的小波阈值方法对信号进行去噪。（2）考虑到脑电通道信息的重复性会影响癫痫预测方法的性能,设计了一种基于相关性分析的脑电通道选择模型。计算每个患者两两通道之间的皮尔逊相关系数,再通过通道选择准则对信息重复的脑电通道进行筛选。结果表明,脑电通道筛选在不损失方法性能的基础上加快了癫痫预测的速度。（3）为了能更全面的分析癫痫发作前的脑电信号,提出从时域、频域以及空域三个特征域中提取脑电信号的特征。时域特征包括均方值根、绝对平均值以及过零点数;频域特征的提取运用经验小波变换进行多模态分解和基于韦尔奇功率谱的单模态选择,再对每个通道的单模态使用希尔伯特变换方法提取信号的瞬时频率和加权频率;空域特征则是利用改进的CSP算法（包括正则化CSP和加权正则化CSP算法）提取。结果表明,单一的时域、频域、空域特征都可以区分发作间期和发作前期的信号。（4）为了有效识别发作间期和发作前期的癫痫脑电信号,利用支持向量机分类器对癫痫患者的脑电信号进行了分类,再通过卡尔曼滤波器进行癫痫预警。结果表明,平均预测率为79.15%,提出的方法实现了癫痫预测。