癫痫是由于大脑神经细胞过度、反复异常放电,导致大脑神经系统功能失常,引起痫性发作的一种临床综合征。脑电图是癫痫研究的重要工具之一。在癫痫检测的研究中,通常的方法步骤是:(1)脑电数据采集;(2)特征提取(与选择);(3)分类识别和结果的统计分析。当前,在脑电特征提取环节,众多脑电特征被提取出,如基于时域分析方法的脑电特征提取、基于频域或时-频域分析方法的脑电特征提取、基于熵和复杂度分析方法的脑电特征提取等。但是,如何在提取出的众多脑电特征中选取出最稳定且最具可分性的脑电特征,用于系统的分类识别尚未被系统研究过。本论文在实现多种脑电特征提取算法并提取出众多脑电特征的前提下,运用矩阵分解的方法——独立分量分析(independent component analysis,ICA)进行脑电特征的选择工作。选择的ICA算法是基于信息熵最大的独立分量分析(Infomax ICA)。在特征选择过程中,从数据分解的稳定性和特征之间的可分性两个方面进行特征的选取。分析结果表明:独立分量分析算法能有效的从众多脑电特征中选取出稳定且可分性的脑电特征。本论文同时运用BP神经网络、k-最近邻算法(k-Nearest Neighbor,k-NN)和支持向量机(support vector machine,SVM)对经过矩阵分解选取出的脑电特征进行分类识别。分析结果表明:BP神经网络和SVM分类算法的分类识别准确率达到94%以上,k-NN达到88%以上,其中SVM的分类识别效果最好,达到95.78%。说明基于矩阵分解方法选取出的特征能有效的用于癫痫检测的分类识别。