正確區分癲癇發作期（seizure）與非發作期（non-seizure）對癲癇治療有著重要意義。本研究以顱內腦電信號（iEEG）作為研究對象，提出了一種基于雙密度雙樹復小波變換（DD-DT CWT）的癲癇發作期自動檢測算法。實驗數據來自美國國家衛生研究所（NINDS）設立在Kaggle上的15 719個競賽數據，處理后的數據庫由55 023段發作期數據和501 990段非發作期數據組成，每段數據長1 s，包含174個采樣點。首先對信號進行重采樣；然后利用DD-DT CWT處理腦電信號，并從中提取小波熵、方差、能量和均值共四類特征；最后使用最小二乘支持向量機（LS-SVM）學習分類，并通過比較不同小波分解層數下的實驗結果選取合適的分解層數。實驗結果表明：所提取的四類特征在發作期與非發作期存在差異，八位患者中，采用3層分解時分類的平均準確率較高，達到91.98%，靈敏度為90.15%，特異性為93.81%。本文工作表明，我們提出的算法在癲癇患者腦電信號的二分類中有優良的性能，能夠自動高效地檢測出癲癇發作期。