通过麻醉药物进行意识的可逆性抑制为手术治疗以及其他有创医疗检查提供了条件。完整的麻醉过程可分为麻醉诱导、保持以及苏醒三个部分。麻醉苏醒时间的增加被证明与术后头晕、恶心、谵妄等疾病的发生密切相关。然而,现有研究大多着眼于分析麻醉诱导过程中不同神经核团的功能抑制与失去意识之间的关系,少有研究分析当患者体内麻醉药物水平逐步降低时神经系统恢复过程。研究表明,不同患者的麻醉苏醒时间存在较大差异,且无法通过药效动力学和药代动力学模型去除,表明神经系统在麻醉苏醒的过程中扮演着重要角色。由此,研究个体麻醉苏醒时长与神经系统之间的关系对于患者术后的管理与麻醉并发症的预防具有重要意义。本文借助丙泊酚麻醉诱导与苏醒过程中所采集到的EEG信号,从三个方面探索了神经系统功能与麻醉苏醒时间之间的关系。首先,本研究通过采集麻醉前静息态EEG信号以及麻醉过程中药物浓度最高时刻的EEG信号,计算EEG各频段的能量分布获取术前与术中的EEG频谱特征,同时构建术前与术中的脑功能网络获取术前与术中的脑功能网络测度。使用相关性分析,探索脑功能网络测度以及EEG频谱特征与麻醉苏醒时间的关系。研究结果发现,术中脑电抑制水平与麻醉苏醒时间之间并无相关性,而术前脑功能网络测度和功率谱密度值(power spectral density,PSD)均与麻醉苏醒时间显著相关。其次,为了进一步探究麻醉意识恢复过程,本研究采用高时间分辨率的脑电微状态的分析方法,研究术前和术中大脑神经元活动的瞬时状态。同时分析得出可以表征麻醉苏醒过程的不同脑网络激活的最优脑电微状态聚类数量,探究脑电微状态序列的相关参数随麻醉苏醒过程产生的变化趋势。结果表明,最优脑电微状态聚类数量为7,微状态M4、M5和M6各参数会随着麻醉的逐渐恢复发生显著性的变化。第三,使用脑电微状态的分析方法分别计算术前与术中的脑电微状态序列的各参数作为训练特征,使用最小绝对值收敛和选择算子(least absolute shrinkage and selection operator,LASSO)筛选特征并训练预测模型,并通过支持向量回归(support vector regression,SVR)验证筛选得到的特征对于麻醉苏醒时间的预测效果。结果发现,相比于术中EEG微状态各参数,术前静息态EEG计算所得的脑电微状态各参数对于麻醉苏醒时间有更好的预测作用,预测模型的平均绝对百分比误差约7%。