癫痫是困扰人类健康的常见疾病之一，是一种患病率较高的脑部疾病。从电生理学的角度来看，其发病是由大脑内的神经元沿着神经回路产生高频率的异常放电所导致的。这些高频放电可诱发大脑皮质各区的强直发作，同时会伴随着意识消失等症状。脑电图（EEG）是癫痫疾病诊断过程中非常重要的一个手段，癫痫发作时产生的特殊波形如棘波、尖波等都可以通过脑电图体现出来。通常情况下，需要较完整的发作期及发作间期的脑电图资料来对此疾病做出评估判断，以便确定患者的癫痫疾病属于何种类型、需要如何进行药物治疗或手术治疗，这就需要对癫痫病人进行长程的脑电检测。此过程产生的EEG数据的量非常大，单靠人工诊断十分耗时。且在医学专家的肉眼判断过程中，会因主观因素或判断标准的不同而产生诊断结果的偏差。所以，寻找到一种能够自动检测癫痫脑电信号的方法，其意义非常重大。本文在总结了国内外现有的癫痫脑电自动检测方法的基础上，提出了两种基于非线性特征提取的自动检测方法，并通过实验验证了方法的有效性。首先，本文介绍了一些脑电信号特征提取中较为有效的时频分析方法及非线性分析方法。在此基础上，针对癫痫脑电自动检测提出了如下方法：1.基于样本熵与极限学习机的方法，2.基于消除趋势波动分析与极限学习机的方法。在第一种方法中，首先采用时频分析中的多分辨率分析方法，对脑电信号进行多层小波分解，提取有用频带的EEG，再对所提取频带的EEG信号求其样本熵。最后采用性能优良的极限学习机进行分类识别。在第二种方法中，采用消除趋势波动分析的方法，对EEG求取标度指数；再对小波分解后保留下的频带中的EEG信号求其波动指数，将两类特征向量结合起来，分类器仍然采用极限学习机。采用德国Born癫痫脑电研究室的癫痫脑电数据库中的信号进行实验分析，结果证明两种方法都有较高的检测准确率，并且在计算量和速度上都有明显的优势。