科学研究中,人脑及其与之相关的生理变化一直是研究的热点。目前,对于麻醉的作用机制还没有清晰的解释。由于个体之间生理存在差异性,不同患者在麻醉过后的意识恢复阶段会呈现不同的模式。然而目前临床上使用的麻醉深度监测指标不能对其有效识别,这对临床医生判断患者术后脑状态带来了困难,而不同的恢复可能的内在机制也是神经科学领域亟待解决的难题。鉴于此,本文从恢复期模式识别和理论建模两个角度展开研究,通过机器学习算法分类恢复期模式,并给出最佳分类特征;建立丘脑皮层神经群模型,寻找不同模式下的参数范围,探索其作用机制。首先,对麻醉恢复期模式识别进行研究。通过对52组患者数据进行时频谱分析,发现恢复期呈现4种模式。针对该4种模式,采用遗传算法支持向量机基于排序熵、近似熵、同步快慢比、状态熵和相对功率谱密度对其分类识别。结果显示相对功率谱密度能够有效地分类不同的模式。通过相对功率谱密度基于混淆矩阵性能评估指标对遗传算法支持向量机,BP神经网络和网格搜索支持向量机3种机器学习算法进行性能评估。结果显示遗传算法支持向量机性能最优。针对不同的模式对患者年龄、麻醉药物及恢复时间做统计分析。最后发现,年龄是其中最主要影响因素,不同模式下,不同年龄的患者恢复时间存在差异。然后,对于麻醉机制的模型进行研究,搭建能够描述宏观脑电信号的丘脑皮层神经群模型。将理论模型与实际数据结合起来,通过网格搜索算法,基于排序熵和皮尔逊相关系数来优化参数,给出该模型生成麻醉全过程脑电信号的最佳参数范围。针对模型仿真信号,本文分析了丙泊酚诱导麻醉的真实数据与仿真脑电数据在时频谱、log功率谱和排序熵等方面的特性。结果显示,仿真脑电信号能够很好的描述真实脑电信号的特性。针对恢复期呈现的模式,基于相对功率谱密度,调节参数,给出不同模式下的参数范围,最终通过丘脑皮层神经群模型找到两种模式。最后扩展该模型成双通道,分析耦合强度对信号的影响。