癫痫是严重威胁人体健康的脑部慢性病,为脑神经元细胞异常放电所致,目前,全球患者基数已达5000万,患者增长率达10%,癫痫的早期医疗诊断至关重要。癫痫引起的大脑活动可由脑电信号反映,基于脑电信号的癫痫检测逐渐成为研究焦点。然而,目前癫痫脑电信号的识别算法仍存在采集特征不够全面、冗余计算多、泛化能力弱等问题。为解决以上问题,通过对癫痫脑电信号的预处理降噪、多类特征采集、特征降维后,经集成学习算法完成分类工作。具体研究内容如下:（1）脑电信号的预处理。预处理的目的是减少脑电信号中所混杂的噪声。综合小波阈值降噪与经验模态分解（Empirical Model Decomposition,EMD）降噪的优点,并改进阈值函数,对睁眼、闭眼两种状态的脑电信号进行了EMD-小波阈值联合降噪。在仿真实验中,采用多种降噪指标综合对比评价了3种降噪方法,验证了EMD-小波阈值联合降噪方法的优越性。（2）特征采集。对癫痫脑电信号进行了全面的特征提取,首先,在时域和频域中,分别提取了6种和5种常用特征;在时频域中,结合典型癫痫波频率特点,通过小波分解提取了癫痫波的6种特征;其次,以样本熵为非线性特征,描述信号混乱度;最后,提出节律特征,在小波包变换下,完成频段划分,提取各节律混合特征。特征提取环节中,共提取了23种特征,归一化后作为后续分类的信息。（3）降维处理。高维数据直接作为分类器训练数据,会带来维度灾难,导致分类器过拟合,所以需要对数据进行降维。采用线性降维与非线性降维两类方法,对特征矩阵进行了降维分析,实验结果表明,等距离映射（Isometric Mapping,ISOMAP）算法的降维效果最好。（4）集成学习算法下的分类器设计。降维后的特征信息作为样本集,进行分类器训练,并引入集成思想,提高分类器泛化能力。将支持向量机、朴素贝叶斯及K近邻算法作为基分类器,构建异质分类器,并在决策方法上与BP神经网络结合。实验中,与BP神经网络结合的异质分类器在二分类中的准确率为99.44%,三分类中的准确率为97.04%,五分类的准确率为88.67%,性能远高于基分类器及投票法的异质分类器。