神经振荡在大脑的高级功能活动中发挥着重要的作用，这种振荡在机理上是由单个神经元或神经元间的相互作用而产生的。在大脑中，从微观到宏观层都存在着神经振荡。其中，大量神经元的同步活动在宏观上的表现可以通过脑电图来描述。组成大脑的神经元数量巨大且连接网络复杂，导致了脑电信号表现出强的非线性非平稳性，这使得常规的线性时频域分析方法无法深入刻画脑电的非线性振荡活动特性。因此，本文以临床麻醉脑电信号为研究对象，研究了非线性熵和分形方法在麻醉下脑电信号(Electroencephalogram, EEG)分析中的作用，并基于药代药效动力学评估各种方法的性能优劣。首先，针对EEG信号噪声，采用了有限冲激响应(Finite Impluse Response, FIR)数字滤波器去除EEG中含有的低频基线漂移和高频肌电噪声。针对熵方法，首次将样本熵、模糊熵以及基于小波的小波熵算法用于麻醉深度估计；采用香农熵、谱熵、希尔伯特黄熵等八种熵算法分析了临床麻醉数据，并采用药代药效动力学模型、预测概率以及相关分析来评价这些熵指标在麻醉深度监测方面的性能。研究结果表明，排序熵在抗噪性、跟随能力、计算速度等方面相对于其他熵指标均具有优越性。其次，从分形角度出发，提出了将去趋势波动分析法用于麻醉下EEG数据分析，通过分形指数的变化来判断麻醉深度；并在单分形的基础上，提出了多重分形的麻醉EEG数据分析方法。结果表明，麻醉脑电信号存在多重分形性特性，且随着麻醉深度加深，多重分形性越强。最后，针对深度麻醉中可能出现的爆发抑制模式，探讨了熵和分形算法在检测此模式方面的性能。研究结果表明，只有近似熵和样本熵具备检测出爆发抑制的能力。