本文針對傳統多尺度熵在多尺度化過程中信息丟失問題，提出一種加權多重多尺度熵特征提取算法。該算法在各尺度上構建了從大到小的多重數據序列，考慮多重數據序列對該尺度樣本熵的貢獻程度不同，計算各個序列在該尺度序列中所占比重，以此作為系數重構各尺度樣本熵。相比于傳統多尺度熵算法，該算法不但克服了信息丟失問題，還充分考慮了序列的相關性與對總熵值的貢獻程度，減小了尺度間的波動，更能挖掘腦電信號的細節信息。基于該算法，本文分析了孤獨癥（ASD）兒童腦電信號特征，與樣本熵、傳統多尺度熵及延擱取值法多重多尺度熵算法比較，分類準確率分別提高了 23.0%、10.4% 與 6.4%。基于該算法對比分析孤獨癥兒童與對照組健康兒童的 19 通道腦電信號，結果表明除 FP2 通道外，其余通道的熵值均顯示健康兒童略高于孤獨癥兒童，且 F3、F7、F8、C3、P3 通道的熵值差異具有統計學意義（P<0.05）。本文通過對各個腦區加權多重多尺度熵進行分類，發現前顳葉區域通道（F7、F8）的分類準確率最高，表明前顳葉可以作為評估孤獨癥兒童腦功能狀態的敏感腦區。