El método principal para tratar la epilepsia resistente a los fármacos (ERF) es la resección quirúrgica de la zona epileptogénica. La localización automática no invasiva de la zona epileptogénica puede utilizarse para guiar la implantación de electrodos y mejorar la efectividad y seguridad de los tratamientos neuroquirúrgicos. Los investigadores anteriores han propuesto una variedad de métodos para este propósito, pero estos sufren de limitaciones como resultados postoperatorios poco claros, invasividad, volumen de datos limitado y un solo tipo de ERF. Este estudio construyó un método de localización de epilepsia no invasivo, integrando la imagen de origen sLORETA, análisis de tiempo-frecuencia y aprendizaje profundo del Grupo de Geometría Visual (VGG-16). En primer lugar, se incluyeron electroencefalogramas (EEG) de cuero cabelludo de 16 canales de 25 pacientes con ERF operados con éxito. En segundo lugar, se extrajeron características de tiempo-frecuencia mediante la transformada de Fourier de tiempo corto (STFT), la transformada continua de ondícula (CWT) y el algoritmo de superlets. Finalmente, se aplicó la red VGG-16 para localizar automáticamente la zona epileptogénica. Los tres métodos de extracción de características lograron una precisión significativa en el conjunto de datos. Utilizando STFT para el procesamiento y combinándolo con VGG-16 para la clasificación de imágenes se logró una precisión promedio de clasificación del 80.2% y una tasa de identificación de canal del 80.7% para las zonas epileptogénicas. Después del procesamiento con CWT, la precisión aumentó al 81.7% y la tasa de reconocimiento del canal de la zona epileptogénica aumentó al 81.4%. Después del procesamiento con el método de superlets, la precisión de clasificación se mejoró aún más al 83.1%, y la tasa de reconocimiento del canal de la zona epileptogénica aumentó al 83.3%. Esto marca la propuesta pionera de un marco sistemático para la localización no invasiva de la zona epileptogénica.