癫痫是一种具有反复发作特征的常见神经系统疾病。在癫痫发作时，常伴随着严重的个体伤害风险，严重妨碍患者独立生活的能力。脑电图(EEG)广泛应用于癫痫的检测与诊断，传统的脑电诊断依赖于对异常EEG信号的人工识别。计算机辅助诊断系统可以大大减轻在脑电异常数据筛查过程中对经验知识要求高、误诊率高以及较为耗费人力等问题。人工智能辅助诊断癫痫病症的研究通常集中在三个方向：1)脑电数据的数据预处理方法；2)脑电特征的处理，如特征选择和特征变换等方法；3)数据结果的处理，如预测和分类的方法。
　　目前大部分的研究工作都集中在脑电数据的预处理方法及分类算法的研究上，对于脑电特征的处理存在着较大的研究空间。此外，在使用多分类器的过程中，研究人员通常只考虑到了分类结果的阶段性生成和融合，而忽略了对子分类器的结果进行选择性融合。为了获得更优的特征子空间组合,本文提出了两种用于癫痫诊断的框架，其创新点如下：
　　1)提出了一种新的自适应混合特征选择方法(AHFSE)。AHFSE的主要思想是利用自适应的秩组合以寻求更优的特征组合。通过对数据进行多角度的分析和探索，从而提高检测和分类的性能。在秩组合阶段，AHFSE采用了进化选择的思想，自适应地选择出每一步中更优的特征组合。采用了小波变换方法的AHFSE算法在性能上得到了显著的提升，不仅优于其他单一的特征选择算法和其他单一的小波变换方法，也优于其他的集成方法。AHFSE的局限性是需要较长的模型学习时间，因为它使用了遗传算法进行优化，但它是可以被其他较快的算法所替换的，例如使用可以自由选择组合和变异的粒子群算法。虽然我们的算法在模型学习中需要较长的时间，但是当模型学习完成后，对于癫痫发作的实时检测和分类是准确且快速的。
　　2)提出了多目标集成叠加混合框架(MOSHE)。MOSHE的主要思想是在集成过程中能够最大化地利用分类器的多样性，自适应地选择出更优的分类器组合。为了提升预测和分类的性能，MOSHE会将特征从原样本空间转换到特征差异更明显的新样本空间。根据准确率和多样性，采用非支配排序遗传算法得到更优的分类器组合。与同类算法相比，采用了离散小波变换和TunableQ小波变换的MOSHE，在分类性能上得到了显著的提升。另外，利用并行处理方法可以有效解决MOSHE在学习过程中需要较长时间的局限性，同时，NSGA-II也能够被其他具有自动平衡交叉和变异概率特点的多目标方法所替换。