严重意识障碍是指患者在遭受重度脑损伤后脑功能出现抑制的一种状态,临床表现为持续昏迷,缺乏自我意识和对周围环境的感知能力。严重意识障碍状态又分为最小意识状态（Minimally Conscious State,MCS）和植物状态（Vegetative State,VS）。如何准确识别患者的意识状态,提高患者的救治率是目前临床医学研究的热点。现阶段常用的方法有行为学意识评分量表,操作简单但易受主观因素影响,误诊率较高。医学成像技术如功能磁共振成像技术（functional Magnetic Resonance Imaging,f MRI）,空间分辨率高但需要对患者进行离床检测,风险较高。脑电信号（Electroencephalogram,EEG）检测技术具有时间分辨率高、可在床边检测、成本更低可多次重复使用等优点。因此本文以脑电信号分析方法为基础,对患者的意识状态识别进行了研究。本文设计一种双模诱发实验,用于对比分析患者在不同刺激模式（听觉刺激和体感痛觉刺激）下脑电信号特征值的变化情况,实现对患者意识状态的判断。首先对实验采集得到的患者脑电信号进行预处理,然后选择听觉刺激下的时频域特征、非线性特征,体感痛觉刺激下的频域特征、非线性特征进行提取,最后通过线性组合的方式构造多域特征样本集合。实验结果表明,相较于传统单域特征提取方法,多域特征融合能够提高分类模型的鲁棒性和分类性能。在严重意识障碍识别领域中,支持向量机（Support Vector Machine,SVM）虽然在解决二分类问题时具有很好的性能表现,但分类结果高度依赖被选择的核函数类型和相关参数设置。因此本文提出基于多核学习的支持向量机模型,根据多域特征的组合方式和求解凸规划问题选择了8个核函数,其中3个多项式核函数、5个高斯径向基核函数。实验结果表明,不同刺激模式下,听觉刺激实验的平均识别准确率比体感痛觉刺激实验高出7.3%,采用多域特征融合与多核学习SVM算法相结合的方法获得的识别准确率均比单域单核模型、单域多核模型更高,平均识别准确率达到了88.3%,最终证明本文提出的分类方法能有效地识别患者的意识障碍类型,具有一定的临床应用价值。