癫痫是一种常见的神经系统疾病,全球患者已超过5000万。脑电图(Electroencephalography,EEG)因具有高时间分辨率和无创性,在癫痫的辅助诊断、发作检测及发作预测中发挥着重要作用。但EEG信号具有非平稳性、易受伪影干扰且数据规模庞大,临床判读依赖经验,限制了其分析效率。随着深度学习的发展,卷积神经网络(Convolutional neural network,CNN)因具备自动特征提取能力,逐渐应用于癫痫脑电分析,并在发作检测、预测及耐药性评估等任务中取得良好效果。本文系统综述CNN在癫痫EEG分析中的研究进展,重点梳理数据预处理与特征提取方法,并分析当前在数据集质量、模型泛化能力、可解释性及临床转化方面存在的主要问题。在此基础上,对多中心数据整合、多模态融合、轻量化模型设计及可解释人工智能的发展方向进行了讨论。