睡眠对于大脑恢复和保持最佳功能至关重要。睡眠剥夺（Sleep Deprivation,SD）会影响人脑的正常功能,甚至损害大脑功能,通常会导致反应时间缩短、警觉性降低、知觉和认知能力下降。完全睡眠剥夺（Total Sleep Deprivation,TSD）对大脑认知功能的影响仍知之甚少。脑电图（Electroencephalography,EEG）对于检测大脑在静息状态下的自发脑活动是一种非常有用的工具。亚稳态的电位分布,即所谓的微状态,携带着有关大规模脑网络动力学的有用信息。本研究主要使用微状态分析方法,通过对24位健康志愿者在清醒（Rested Wakefulness,RW）和24小时睡眠剥夺的静息态EEG信号进行分析,探索睡眠剥夺相关的生物标志物,以及研究睡眠剥夺造成大脑活动的异常。以脑电微状态特征数据,建立了基于多元宇宙优化-支持向量机分类模型（Multi Verse Optimizer-Support Vector Machine,MVO-SVM）,通过多元宇宙优化算法（Multi Verse Optimizer,MVO）优化支持向量机参数（Support Vector Machine,SVM）得到了对睡眠剥夺影响脑活动诊断的一个较高的精确度,为诊断睡眠剥夺是否对人脑活动产生影响提出了一种新的思路和方法。主要内容如下:（1）睡眠剥夺前后脑电信号预处理。脑电信号是生物电生理信号,因而混杂了各种噪声。本文采用独立成分分析方法,对混合在脑电信号中的心电、眼电和肌电等噪声进行了去除,获得较为干净的脑电信号,以便后续的研究与分析。（2）睡眠剥夺前后脑电微状态分析。运用微状态分析方法,研究了24位被试的睡眠剥夺前后的脑电信号。利用空间相似性从脑电信号中提取了六种典型的微状态模板地形,并统计分析了不同微状态的时间特征和它们之间的状态转换概率。微状态地形的聚类结果与先前的研究一致,6种微状态的时间特征统计分析发现睡眠剥夺后微状态A的解释方差（Global Explained Variance,GEV）、发生频率和时间覆盖率明显降低,而微状态D的解释性方差、发生频率和时间覆盖率明显升高。而且,嗜睡程度与微状态A的时间参数显著负相关,与微状态D的时间参数显著正相关。状态转换矩阵分析表明,睡眠剥夺后微状态B与微状态D和微状态F之间的转换频率更高,这些差异可以为计算机辅助诊断睡眠剥夺对大脑活动的影响提供有效的证据。（3）基于参数优化的支持向量机睡眠剥夺前后脑电微状态特征分类方法。误差惩罚参数C和核函数及其参数的选择影响SVM的分类性能。本文提出了参数优化方案,通过多元宇宙优化算法和交叉验证法对参数进行寻优,此方法有效的避免了传统寻优方法出现的局部最优问题,而且实验结果表明MVO-SVM方法取得了较好的分类效果（95.26%）。