癫痫作为一种常见的神经系统疾病,发作时可导致病人失去意识、产生运动障碍、生理失调等症状,对患者造成极大的伤害。据世界卫生组织统计的数据显示:全球大约有5千万人患有癫痫疾病。其中耐药局灶性癫痫患者占总患者人数的三分之一左右。手术治疗是耐药局灶性癫痫患者获得完全癫痫发作自由的最佳选择。而致痫区定位技术在手术治疗过程中占有重要地位。然而,传统的人工分析脑电图的方法不仅耗费时间长而且容易受到个人主观意识的影响,导致无法正确定位致痫区。因此,寻找一种高效而准确的计算机自动识别脑电技术是很有必要的。本文提出了结合深度学习和迁移学习识别致痫区脑电信号的方法,首先对原始致痫区脑电信号进行时频分析,然后迁移学习AlexNet及GoogleNet网络模型,利用包含两个节点的全连接层,softmax层和最终分类层替换AlexNet网络模型的最后三层,并用迁移学习AlexNet网络的第七层全连接层输出作为脑电信号时频图的特征表示。用NewDropout层、包含两个节点的全连接层、softmax层和分类层替换GoogleNet网络模型的最后三层,将迁移学习GoogleNet模型的NewDropout层输出作为时频图特征,最后将提取的特征分别送入支持向量机、长短期记忆网络、BP神经网络、稀疏表达分类、线性鉴别分析以及网络自身所带有的Softmax分类器中,选出最佳的分类器。本文提出的结合深度学习和迁移学习的致痫区脑电识别算法在两个公共脑电数据库中进行了测试评估,在Bern-Barcelona脑电数据库中迁移学习GoogleNet及AlexNet网络模型时,通过对比六种分类器的分类结果,支持向量机算法的致痫区脑电识别效果明显优于其他分类算法。而在UBonn短数据库中迁移学习AlexNet和GoogleNet网络模型时,迁移学习AlexNet网络模型的致痫区脑电识别效果具有明显的优势。同时本文算法与多种致痫区定位方法进行了比较,证实本文方法能够改进提高致痫区脑电信号的识别效果。