脑电(Electroencephalogram, EEG)作为与人类大脑最具直接联系的一种外在表现形式,是临床诊断的重要手段之一。传统的方法从频谱和统计学的角度研究脑电时间序列,能够对脑电给出部分详细的解释,为脑电的有效应用作出了一定贡献。然而,这些方法无法对大脑的非线性动力学性质进行深入有效的理解。本文从归一化RBF网络开始,针对脑电信号具有混沌的特性,提出一种建模和预测混沌信号的新方法,并将HMM和归一化RBF混合网络应用于脑电信号的建模和预测。同时采用遗传算法训练归一化RBF网络,用Baum-Welch算法来训练HMM得到最优的混合网络模型参数。从我们的研究成果可以看出,该混合模型比传统的单个神经网络模型能更加精确地逼近参数变化的混沌信号和时空混沌信号。另外,我们运用该混合模型分别对临床采集到的正常脑电信号和癫痫脑电信号进行预测,实验结果表明该模型可以揭示脑电信号的混沌动力学特性。最后,用该混合网络模型检测癫痫脑电信号,结果表明该模型是一个有效的癫痫脑电检测器。最后总结了本论文的主要工作,指出了模型还需要解决的一些问题和可以进一步发展的方向。