癫痫疾病严重威胁着人们的身体健康。癫痫脑电分析是研究癫痫的一个重要手段。当前，癫痫的脑电分析主要以病灶区单导联或双导联皮层脑电(Electrocorticogram, ECoG)作为脑电研究对象。本文研究的脑电数据包括两部分，一部分数据来自所设计的脑电采集实验，为临床采集的20导联头皮脑电(Electroencephalogram, EEG)数据；另一部分数据为网上数据库中提供的颅内皮层脑电数据。本文针对脑电数据进行了复杂性、同步性和多尺度等非线性分析，提取了线性分析方法无法提取的有效特征。利用LZ复杂度和关联维数等复杂度分析方法，分析了癫痫脑电数据，提取了癫痫脑电的复杂度特征。分析表明，癫痫EEG的复杂度普遍低于健康EEG，癫痫发作阶段的ECoG的复杂度低于发作间隙ECoG的复杂度。脑电信号的复杂度特征可以作为癫痫疾病的诊断和预测特征。利用排序递归图的分析方法对癫痫脑电进行了确定性的分析。分析表明，癫痫脑电的确定性特征与复杂度特征分析所得的结论一致。但确定性的计算速度更快，更适合分析短时高噪且高度非平稳脑电信号。从大脑是一个相互耦合和相互作用的复杂网络的观点出发，提出了利用排序互信息的方法研究不同导联之间的信息传输，对EEG进行多导联同步性分析。分析表明，癫痫患者的大脑不同区域之间的信息交流明显强于健康对象，即癫痫患者的大脑同步性明显增强。利用小波分解和小波重构技术，得到不同节律(频带)的脑电信号。分析了小波熵、复杂度和确定性特征在不同节律下的变化规律。分析表明，这些特征在不同节律中的变化规律并不相同。通过单独分析子频带，可以提取潜藏在癫痫脑电信号中的更精确的信息。提出了将基于无迹卡尔曼滤波(Unscented Kalman Filter, UKF)的神经网络作为癫痫脑电特征的分类器。UKF算法通过迭代运算可快速估计神经网络的权值，解决神经网络的训练问题。结果表明，该分类器的分类性能优于线性判别分析(Linear Discriminant Analysis, LDA)分类器。本文利用非线性分析方法提取了癫痫脑电数据的多种特征，为癫痫的自动诊断和发作预测提供了理论依据。