در این پایان نامه یک روش جدید با استفاده از تخمین طیف مبتنی بر بردارهای ویژه و شبکه عصبی برای شناسایی حملات صرع معرفی شده است. در این روش سیگنال های eeg به سه دسته ذیل تقسیم بندی می شوند: (1) سیگنال شخص سالم (healthy) (2) سیگنال شخص مبتلا به صرع در غیاب حمله (inter-ictal) (3)سیگنال شخص مبتلا به صرع حین حمله (ictal). روش ارایه شده شامل دو نوع الگوریتم است. در الگوریتم اول، طیف سیگنال eeg با استفاده از تکنیک های پیوسته تخمین طیف از جمله music و eigenvector به دست آمده و سپس به زیر باندهای فرکانسی کوچکتری تقسیم می شوند. سپس ویژگی هایی از جمله بیشینه، بی نظمی، میانگین، انحراف معیار و ضریب تحرک از زیر باندهای طیف سیگنال به دست آمده، استخراج می شوند و با افزودن انحراف معیار سیگنال اصلی و ضریب پیچیدگی کل طیف، برداری موسوم به بردار ویژگی ها تشکیل می شود. از بردار ویژگی فوق، به عنوان ورودی شبکه عصبی پرسپترون چند لایه(mlp) و شبکه عصبی احتمالی rbf، برای دسته بندی داده و در نهایت متمایز نمودن سه گروه یاد شده استفاده شده است. نتایج به دست آمده با روش فوق نشان می دهد که با استفاده از این روش هر سه گروه سیگنال healthy، interictal و ictal با دقت 5/97 درصد و واریانس 2/4 درصد از یکدیگر متمایز می شوند. در الگوریتم دوم از تکنیک های گسسته تخمین طیف از جمله root-music و root-ev برای تخمین فرکانس های غالب سیگنال eeg استفاده شده است و فرکانس های غالب به دست آمده به همراه انحراف معیار، بی نظمی و ضریب پیچیدگی حوزه زمان سیگنال، بردار ویژگی را تشکیل می دهد. بردار ویژگی فوق سپس با یک شبکه عصبی مثل mlp و rbf به سه گروه ذکرشده، دسته بندی شده است. نتایج به دست آمده با این روش نیز دقت 53/94 درصدی با پراکندگی کمتر از 1 درصد را نشان می دهد. علاوه بر این تعداد و سادگی ویژگی های انتخاب شده در این روش استفاده از آن را برای کابردهای بی درنگ مناسب تر می سازد. در مقایسه با روش های دیگر، روش های ارائه شده در این پایان نامه، سیگنالهای eeg حامل نویز ناشی از تکان های ماهیچه ای، تداخل با سایر فعالیت های مغزی و تداخل سایر امواج موجود و ... را با دقت بالاتر و ضریب خطای کمتری تفکیک نموده و متمایز می کند و در نتیجه دستیابی به تشخیص بهتر این بیماری مزمن و فراگیر را فراهم می سازد.