癫痫作为一种由脑部异常放电引发的疾病不仅会给患者带来很大的痛苦而且对于患者日常的健康生活带来很大的威胁,如何对未来的癫痫疾病进行预测成为了一个急需解决的重要问题。近几年来随着计算机技术和硬件设施的迅速发展,深度学习技术在医学领域取得的成果越来越丰富,一些困扰医生的诸如心律不齐类型的诊断和病变位置的诊断和判定的问题都能由深度学习技术很好的完成。针对癫痫疾病发作的预测这一具有现实意义的问题,本文尝试以深度学习技术为研究的大方向,首先去研究如何将癫痫脑电数据库中的癫痫数据以最高效的方式进行处理来使得这些数据能够被神经网络最有效的利用,并在研究和学习之前的传统的癫痫脑电数据处理方法的基础上尝试使用把脑电信号绘制成脑电图的方式去处理数据,并在这些脑电图数据的基础上使用滑动窗口的方式进一步提高数据的信息量和有效性。其次针对癫痫脑电图训练数据的图片型、时序性、生物性的三个特点,本文使用癫痫脑电数据去训练CNN、LSTM、SNN网络结构,并根据这三类网络结构的特性做出进一步的改善和研究。再次是针对当前深度学习技术在使用癫痫脑电数据进行训练时存在的数据量不足和数据不平衡的问题,本文先是分析了常用的基础数据扩增方法并尝试利用在图片生成领域有着优良性能的GAN进行数据扩增实验。最后本文总结了在上述研究和实验的工作内容以及其中存在的缺点和不足,并根据这些缺点和不足阐述了改善的方向,同时在完成所有工作后对深度学习技术在癫痫疾病领域的进一步应用做出展望。