目的 基于静息态脑电图（resting-state electroencephalography, rEEG）探讨视空间忽略（visuospatial neglect, VSN）的脑网络重构与动态活动特征，并构建分类模型以辅助其识别。方法 回顾性纳入首都医科大学宣武医院康复医学科2022年8月—2024年12月的脑卒中患者，根据纸笔测试分为VSN组（n=22）、非VSN组（n=21），同时招募健康对照组（n=20）。对采集的rEEG进行微状态分析和脑网络构建，提取微状态参数和图论指标，并构建4种机器学习模型（logistic回归、朴素贝叶斯、K近邻和决策树）。结果 VSN组相较于非VSN组在微状态C的平均持续时间和覆盖率上显著升高，在微状态D的覆盖率和发生率上显著降低。图论分析显示，VSN组平均聚类系数相较非VSN组升高，在额中央区域（C1、CZ）的度中心性显著低于非VSN组，而在顶枕区域（P5、P3、PO7、PO5）的度中心性则显著高于非VSN组。分类模型中，logistic模型与朴素贝叶斯模型表现较佳，其中微状态C的平均持续时间占据较高的贡献比例。结论 VSN患者呈现出特异的脑电微状态重构及功能连接模式调整。微状态特征在识别中具有关键意义，结合机器学习方法可辅助VSN的早期识别与个性化干预。