癫痫是我国第二大神经疾病，由大脑病变部位的神经元异常放电导致。癫痫发作时，通常表现为运动、感觉、意识等神经功能紊乱，对患者的生理和心理造成巨大痛苦和伤害。目前，我国大约有九百万的癫痫患者，并且每年还有四十万左右的新增患者。因此，研究和开发计算机辅助的有效癫痫诊疗新技术，对于提高我国癫痫诊疗水平具有重要意义。　　近些年，随着生物医学、信息科学等相关领域的快速发展，以癫痫脑电信号为代表的辅助诊断技术在临床上起到了重要的作用。与传统视觉观测技术不同，基于数据科学和机器学习的数据驱动方法，可以极大的减少人力成本，提高定位准确性。基于计算机辅助的癫痫灶定位方法，能够充分利用计算机强大的数据计算优势，弥补传统人工经验诊断中的高成本、低效率、主观性强等问题，具有重大的科学意义和临床应用价值。因此，癫痫脑电信号的分析建模已成为国内外研究的热点，许多大学和研究机构都投入了大量的资源开展相关技术研究。　　本文研究基于脑电信号的癫痫灶定位相关关键技术，紧密聚焦计算机辅助癫痫灶定位的关键问题，研究癫痫脑电中的非线性时变信息提取技术，癫痫脑网络分析技术，以及癫痫网络状态分割技术。在此基础上，将该方法技术在仿真数据以及真实癫痫信号数据上进行了深入的实验及分析。本文的主要贡献如下:　　(1)针对癫痫放电模式非线性强的问题，通过建立优化的深度递归神经网络，从数据本身进行自动特征学习。该方法充分利用深度神经网络在非线性序列建模上的优势，成功提取了有效信息。通过仿真数据和真实癫痫数据上的多组实验，验证了该方法在检测非线性、变长延时信号之间相互影响的能力，是癫痫网络构建的前提。　　(2)针对癫痫网络高维信息分析的问题，提出基于黎曼流形的癫痫网络分析法。通过构建癫痫网络的几何分析模型，在高维空间流形上计算数据的各类统计量，刻画癫痫网络随时间发展的内在变量与不变量。本研究通过基于黎曼流形的分析方法，克服现有降维方法的不足，在癫痫网络分析上取得优异的性能，为后面癫痫灶定位打下坚实基础。　　(3)针对癫痫发作状态时变性问题，本研究通过带时间约束的癫痫状态分割方法，结合无监督机器学习，完成了对癫痫状态的有效分割，有助于黎曼流形的癫痫网络分析。实验表明，在时间信息的有效利用下，癫痫状态的分割准确性高达90％。　　最后，通过上面三方面问题的解决，在网络的黎曼分析中结合时间约束，并从这些不同的癫痫状态中找到最合适的状态进行癫痫灶定位。