癫痫是一种常见的脑部疾病,病人生理信号是进行临床病情诊治的重要依据,而通过脑电图（Electroencephalograph,EEG）能非侵入地进行癫痫发作监测以及定位人脑中的致痫区域,因此通过EEG信号准确高效的进行癫痫自动诊断的计算机技术成为当前研究热点。为了获取高效稳定的癫痫EEG信号自动分类方法,本文从癫痫EEG信号处理计算机算法入手,以时频域的信号处理算法变分模态分解（Variational Mode Decomposition,VMD）为切入点,探索了基于改进变分模态分解的癫痫EEG信号自动检测方法,提出了两种新的信号处理算法,设计了三种癫痫EEG信号自动分类算法模型。本文的主要研究内容以及创新点如下:（1）针对传统单一域的癫痫EEG信号特征提取方法表征能力弱、效果差等问题,提出基于时频域分析算法VMD与非线性域分析算法精细复合多尺度散布熵（Refined Composite Multiscale Dispersion Entropy,RCMDE）、精细复合多尺度模糊熵（Refined Composite Multiscale Fuzzy Entropy,RCMFE）相结合的复合域癫痫EEG信号自动检测方法。针对公共数据集,最终实验结果显示准确率达94.24%,灵敏度达95.58%,特异度达90.64%。此外,为了确定VMD的分解模态数目,提出了根据变分模态函数中心频率随迭代次数变化曲线的判断方法;为了确定特征RCMDE与RCMFE在癫痫EEG信号中的表征能力,提出了根据各变分模态函数下两种特征箱型图差异性来判断的方法。（2）针对VMD由岭回归构建约束方程,收缩程度低,估计不精确等问题,利用弹性网回归对VMD变分模型进行改进,提出一种新的时频域信号分析算法弹性变分模态分解算法（Elastic Variational Mode Decomposition,EVMD）,并由此提出了基于EVMD与RCMDE的复合域癫痫EEG信号自动检测方法。针对公共数据集,最终实验结果显示准确度、灵敏度和特异度分别可达92.54%,93.22%,91.86%,均比使用原VMD的实验结果要高,证明了所提EVMD算法在癫痫脑电信号处理中相较原始变分模态分解算法有着更强的表征能力。此外,利用仿真信号对所提EVMD算法进行了测试,证明了其具有良好的噪声鲁棒性。（3）针对所提EVMD算法与VMD一样是单通道信号处理方法,在处理多通道脑电信号时效率低、协调性差等问题,将EVMD在多元域进行一般性扩展,提出一种新的能直接处理多元信号的算法多元弹性变分模态分解算法（Multivariate Elastic Variational Mode Decomposition,MEVMD）,并由此提出了基于MEVMD与RCMDE的复合域多通道癫痫EEG信号自动检测方法,针对公共数据集,最终实验结果显示准确率达93.64%,灵敏度达93.93%,特异度达92.92%,与EVMD相比,不仅分类效果更好,而且十次五折交叉验证实验的实验结果起伏更低,更平稳,具有更好的泛化应用潜力,但是相较EVMD运行时间更长,计算花销更大。此外,利用仿真信号对所提MEVMD算法进行了测试,证明了其具有良好的模态对齐特性。