生物信号是现代数字信号处理的重要研究领域。由于生命体系统的复杂性,生物信号通常具有非线性、混沌、非平稳等特点,属于非线性时间序列。正是因为这些特点,使得生物信号分析区别于一般的信号处理,成为现代数字信号处理的一个重要分支。时间序列到复杂网络转换算法的提出,使得复杂网络成为时间序列分析的新工具。复杂网络经过多年的发展,形成了成熟的理论体系,在诸多学科领域得到了大规模应用。本文在已有的复杂网络构造方法的基础上,主要对加权相似性网络和加权水平可视图进行深入研究。本文总结了已有的相似性网络和加权水平可视图构造方法,通过对当前算法的不足之处进行改进,提出了新的复杂网络构造方法,即改进的加权相似性网络和改进的加权水平可视图方法。论文主要方法和创新点如下:(1)提出了改进的加权相似性网络算法。传统的相似性网络在构造过程中由于节点数量较少,同时没有引入边权值信息,会造成时间序列信息的丢失。把癫痫脑电时间序列平均分段之后,对每个子段时间序列提取12个时域统计特征作为复杂网络的节点,使得节点数量增加;计算节点间的欧氏距离,设定阈值,确定节点间的连边关系,并把节点间的斜率作为连边权值,构造加权邻接矩阵,完成癫痫脑电信号加权相似性网络的构造。提取平均权重度作为分类特征,用于癫痫发作期信号和癫痫发作间歇期信号的分类,分类准确率最高为96%。实验结果表明改进的加权相似性网络的性能较之传统的相似性网络算法有了很大提升。(2)传统的加权水平可视图算法不能很好反映时间序列的动力学特性,因此,本文提出了三种加权水平可视图改进算法:一是使用12个时域统计特征作为加权水平可视图的节点,以节点间的差值作为连边权值,构造加权水平可视图,降低了算法的时间复杂度;二是使用了新的连边权值,节点间的斜率和节点间的角度作为连边权值,构造加权水平可视图,斜率和角度更能反映时间序列隐藏的动力学特性;三是使用原癫痫脑电时间序列作为节点,以节点间的斜率作为正向网络连边权值,以节点间的角度作为反向网络连边权值,首次提出了双向加权水平可视图算法。随后将改进的加权水平可视图算法用于癫痫脑电信号分类。在癫痫脑电加权水平可视图构造完成之后,提取平均权重度、权重分布熵等分类特征,实现癫痫发作期信号和癫痫发作间歇期信号的准确分类,分类最高准确率为98.5%。实验结果表明改进的加权水平的性能较之传统的复杂网络算法有了很大提升。(3)本文提出了改进的加权相似性网络和加权水平可视图构造算法,并应用这两个复杂网络构造算法将癫痫脑电信号转换为对应的复杂网络,提取复杂网络拓扑统计特征作为分类特征,实现了高质量的癫痫脑电信号分类,具有重要的临床研究意义。通过和其他相关实验的比较,验证了本文所提出的算法可以获取生物信号更全面、更深层的动力学特征,说明本文算法可以有效应用于生物信号分析。