复杂网络经过多年研究逐渐发展成熟,形成完整的理论体系,并且与众多领域相结合得到广泛应用。随着多种非线性时间序列到复杂网络转换算法的提出,复杂网络理论为非线性时间序列的分析提供了新的研究方向,随着研究深入复杂网络成为分析非线性时间序列的有力工具。脑电信号具有非平稳性和非线性这两种典型特征,属于非线性时间序列,本文通过癫痫脑电信号来研究非线性时间序列在复杂网络领域中的应用。本文在已有的时间序列到复杂网络构造算法的基础上,主要对转移网络构造算法进行了深入的研究。本文总结了转移网络算法的优缺点,通过对当前转移网络构造算法的不足进行改进,提出多种转移网络的改进算法,分析复杂网络的统计特性,提取脑电信号的分类特征并结合分类器,构造癫痫脑电自动分类算法,用于区分多种分类任务的脑电信号。首先,提出了改进节点构造方法的转移网络算法。由于转移网络在划分节点时只使用分段后数据的排序信息和起始数据的位置信息,会导致后续构造网络时丢失大量原始数据的有效信息。因此与相似性网络的节点构造方法结合,将时间序列依据最大值分段后计算欧氏距离,再使用粗粒化方法后划分节点构造节点集。依据原始转移网络算法确定的节点会使网络中的多个节点表示相同的意义,在改进转移网络算法中使具有相同意义的节点不再重复出现。边权重方法使用原始转移网络的边权重构造方法,由此完成基于改进节点构造方法的转移网络。提取节点度分布的数学期望作为分类特征,结合分类器用于癫痫间歇期和发作期脑电之间的分类。分类准确率可以达到97%。实验表明基于改进节点构造方法的转移网络分类效果较传统方法有了很大的提升,也为转移网络算法的发展提供了方向。其次,基于节点之间的相似性提出了改进边权重构造方法的转移网络算法。原始转移网络通过计算节点间转移状态的次数决定边权重,忽略了节点本身所包含的信息。基于节点相似性改进边权重构造方法的转移网络通过计算粗粒化粒子之间的相似性作为边权重的另一决定条件。由于在改进节点构造方法的转移网络中,结果依赖于数据长度,因此我们使用嵌入定理划分数据,计算相邻子段之间的欧氏距离后使用粗粒化方法划分出节点,随后我们将改进的转移网络算法用于癫痫脑电的分类。使用数学期望和全局结构熵作为分类特征,结合支持向量机(Support Vector Machines,SVM)实现癫痫脑电数据的四种分类任务,通过实验表明我们提出的改进转移网络算法可以有效的区分多种癫痫脑电信号并获得较大的性能提升。最后,基于节点之间的距离提出了新的改进边权重构造方法的转移网络算法。由于基于节点相似性改进的边权重方法对B组正常脑电信号的分析性能较差,为了得到更好的分类效果,我们使用了节点之间的距离作为边权重判定条件之一。通过改进方法将数据集构造成新的复杂网络,提取网络度之和与局部结构熵之和作为分类特征结合SVM实现了七种癫痫数据的分类任务。通过实验发现我们的方法可以实现正常脑电、癫痫间歇期与癫痫发作期的三种脑电信号之间的高质量自动检测分类,对临床医学的研究具有重要的参考价值,也验证了我们的方法可以挖掘出非线性时间序列更深层和更广泛的动力学特征,为非线性时间序列的分析提供新的研究思路。