目前，越来越多的研究表明，人的大脑是一个复杂的非线性动力系统，具有时空混沌的特征。而EEG信号则是通过现代手段记录的大脑行为的外在表征，并在临床辅助诊断和疾病研究中发挥越来越重要的作用。因此，研究对EEG信号的有效的建模和预测有着重大意义，它能够让我们从脑电信号提取更多的有用信息，用于疾病的诊断和预测，也有助于我们研究大脑运作机制。　　由于脑电信号具有典型的时空混沌的特性，本文提出了一种针对的时空混沌信号建模的方法。首先将全局支持向量回归模型与径向基神经网络回归模型进行对比，住址实验证明了支持向量回归模型的优越性。然后，将局域预测法与支持向量回归模型相结合，提出局域支持向量回归模型，大幅提高模型的训练速度，并且可以保证检测的精度。接着，从局域支持向量回归模型的惩罚系数出发，研究变化的惩罚系数对回归模型的性能的影响，通过高斯距离权重函数，根据每个训练样本与最后的样本的距离计算加权的权重，得到每个训练样本对应的加权惩罚系数，得到了新的局域加权支持向量回归模型（Local-WSVR），充分挖掘和利用时空混沌的局域信息。最后，我们将新建立的Local-WSVR模型应用于实际脑电信号建模与预测中，并利用该模型构建了癫痫检测器。　　总的来说，本文将支持向量回归模型与局域预测法相结合，得到了局域支持向量回归模型，并在此基础上进行改进，对惩罚系数进行加权，进一步提出了全新的局域加权支持向量回归模型（Local-WSVR）。理论与实验的结果表明，该模型具有良好的性能，能够更好的挖掘时空混沌信号的局域信息，拟合复杂的时空混沌信号，从而更适合于实际的工程应用。