癫痫是一种常见的神经系统疾病，约80%患者在发病时伴有癫痫样放电，这种放电也是目前癫痫诊断的主要依据。为正确诊断癫痫病症，往往需要对病患进行长时间的脑电监测。脑电信号数据量庞大，导致对脑电信号的分析判别成为一项繁重而又低效的工作。癫痫检测结果容易受到医生主观因素的影响，因此对癫痫脑电信号的自动分类识别就显得尤为重要。在研究国内外癫痫脑电信号常用分析方法后，重点介绍了改进多元多尺度熵算法的发展过程。多元多尺度熵作为多尺度熵在多元信号上的推广，是非线性动态相关性的一种反映。但是传统的多元多尺度熵计算量大，对于通道数较多的系统需要耗费大量的时间和空间，并且无法准确的反应变量间的相关性。本文提出的改进多元多尺度熵，将传统多元多尺度熵针对单个变量的嵌入模式改为对所有变量同时嵌入，不但解决了通道数增加内存溢出问题，也更适用于实际多变量信号分析。本文中应用改进多元多尺度熵与小波包分解方法对癫痫脑电信号进行分类。癫痫脑电信号分类算法大致可分为时域、频域、时频和非线性域。其中时频分析中的小波包变换不仅能够反映信号的频率特性又能很好表征信号的局部信息，但是利用小波包特征进行分类需要耗费大量的时间和空间。本文提出的改进多元多尺度熵不仅保有原来多元多尺度熵对多通道数据并行处理、多尺度分析等特点，还大大降低了原有方法的复杂度与计算冗余。通过对癫痫脑电信号进行多次尺度分解，将改进多元多尺度熵与小波包变换结合，对其进行统计分析与分类。该方法既避免了由于特征数据量大而引发的大量时空消耗，又避免了传统时频分析中高频信号的干扰，更有利于实际应用。对于改进多元多尺度熵，针对GAERS大鼠癫痫脑电和波恩癫痫脑电数据进行实验，结果表明该方法能够有效提取癫痫脑电特征，具有很好的统计特性和分类精度。