癫痫是一种常见的脑疾病,其发作会对患者产生严重的负面影响。癫痫发作的及时诊断对提高患者的健康水平和生活质量至关重要。在癫痫发作时,脑电图(Electroencephalography,EEG)会产生特殊的波形变化,经验丰富的神经科医生可以根据脑电图的波形判断患者是否处于发作阶段。然而,由于脑电图波形形态复杂,所需检测时间长,而人工判别精力有限,容易漏检或误检,因此有必要引入癫痫自动检测算法。传统的自动检测方法要求人工设计复杂的特征,而目前流行的深度学习方法,能够从数据中自动学习有效特征,具有更强的表达能力,能有效改善癫痫检测的效果。因此,本文构建了一个卷积神经网络(Convolutional Neural Networks,CNN)用于癫痫检测,并在训练过程和模型结构上进行改进,进一步提升模型性能。主要工作如下:1)为了提高网络特征学习能力和改善模型收敛效果,本文提出一种逐层预训练机制。本文首先构建了一个三层卷积神经网络用于癫痫脑电图检测,接着使用逐层预训练机制对网络进行训练。该机制通过对子网络进行监督预训练,使得完整网络在监督训练开始时可以获得较好的参数起始点,令模型训练收敛效果更好,且有效提高了模型性能。2)由于癫痫信号特征波持续时间不定,为了有效提取不同时间尺度上的特征,本文采用基于空洞卷积(Dilated Convolution)的多尺度特征提取模块代替网络中普通卷积操作。空洞卷积可以在不增加额外参数的同时,通过调整空洞率改变感受野大小,相比于相同规模的普通卷积核,可以有效减少计算开销。该模块使用多个不同空洞率的卷积核,能够提取不同尺度下的数据特征。同时,本文提出一种特征融合方案把不同尺度的特征结合起来。通过多尺度特征提取和特征融合改进后的模型在有效控制模型参数数量的同时,允许网络学习到表达能力更强的数据特征。本文使用癫痫脑电图公开数据集展开实验,以检验方法的有效性。实验结果表明,使用逐层预训练机制的模型能有效提高癫痫检测准确率,并改善模型收敛效果。可视化分析表明,预训练机制使得网络学习到可分性更好的特征。当使用多尺度特征提取和特征融合方案对网络结构进行改进后,癫痫检测准确率有进一步的提高。