严重意识障碍（disturbance of consciousness,DOC）是一种严重脑损伤后的慢性意识功能丧失疾病,根据保留意识程度的不同被划分为无反应觉醒综合（unresponsive wakefulness syndrome,UWS）和最低意识状态（minimally consciousness state MCS）。传统上对于这两种意识状态的鉴别主要依靠行为学量表,存在较高的误诊率。目前,脑电图在辅助意识评估领域已有一定的应用,主要基于单导联信号或全脑区平均信号进行特征提取。由于大脑具有分区特性不同脑区具有不同功能,因此局部脑区特征和全脑特征对于意识分类的准确性是否存在影响值得进一步研究。这对于构建更好的意识分类模型,为临床诊断提供可靠依据具有重要意义。本研究共采集了45例无反应觉醒综合征,85例最小意识状态和72例脱离最小意识状态（emergence from MCS,e MCS）患者的脑电信号。首先提取多频段尺度的相对功率谱特征,非线性指标包括排序熵、样本熵、模糊熵、Lempel-Ziv复杂度和C0复杂度,以及连通性参数包括节点度、聚类系数和最短路径长度,比较不同意识状态患者脑电特征在全脑平均后的差异;然后在细分局部脑区上深入分析;最后以所有特征差异性最大为原则,筛选出显著指标构建机器学习模型,实现对意识障碍患者的准确区分。本文的主要研究结果如下:（1）通过对不同意识状态病人的全脑脑电分析,发现在部分频域、非线性特征和网络指标上,MCS相对于UWS更接近于e MCS。（2）不同频段下UWS和MCS脑电的特征研究显示,分频段提取的特征能够用于区分意识状态,UWS在低频段表现出更高的连通性和非线性指标,MCS则在高频段非线性指标显著高于UWS。（3）分析脑电特征的地形分布,显示特定脑区特征对于意识分类具有重要作用。UWS和MCS在额叶区存在更多显著差异的特征,包括样本熵和模糊熵在内的非线性指标,以及alpha频段的功能网络参数和连通性网络。（4）机器学习分类研究,以额叶区通道的theta,beta和gamma相对功率谱能量,delta,beta,gamma和全频段的非线性特征,以及theta,alpha和全频段网络参数为输入构建的多维度特征,在随机森林算法获得了最好的分类效果,模型AUC值为0.907。