近年來，采用腦電波進行癲癇發作檢測得到了學術界的廣泛關注，而用于癲癇發作檢測的腦電波數據存在數據采集困難、發作樣本少等問題，在訓練樣本量不足的情況下采用深度學習容易產生過擬合現象。為了解決此問題，本文以美國波士頓兒童醫院的癲癇腦電數據集為研究對象，將小波變換用于數據增強，通過設置不同的小波變換尺度因子來生成相應的數據，達到成倍增加訓練樣本的目的；另外，在模型設計方面，本文結合深度學習、集成學習和遷移學習等方法，提出在訓練樣本量不足的情況下針對特定癲癇患者的具有較高檢測準確率的癲癇檢測方法。在測試中，本文分析了以小波變換尺度因子為2、4、8時的癲癇發作檢測實驗結果，在小波尺度因子為8時，平均準確率、平均敏感度、平均特異性分別為95.47%、93.89%和96.48%；另外，通過與近期相關文獻進行對比，驗證了本文方法具有一定的優越性。本研究結果可為癲癇檢測的臨床應用提供借鑒。