基于EEG信号的脑-计算机接口(BCI)是近年来一个热门的研究领域。基于脑电的BCI并非试图解释自发脑电，而是使人产生容易被解释的脑电，BCI识别出这种脑电后，就可以做出不同的选择或发出不同的指令。BCI的构架可以简单划分为两部分，前端为脑电讯号的特征提取与辨识，后端则为与其他硬体的结合与应用，例如手部假肢，电脑(利用脑电信号控制鼠标)等等。本文的工作重点在前端，设计了一种进行意识思维任务时脑电信号(EEG)的高辨识率二分类BCI，并提出了一种应用此二分类BCI进行多种工作任务识别的方法。 首先，应用独立分量分析方法(ICA)对EEG数据进行了预处理，去除了EEG数据包含着的其他电生理信号成份及其他干扰信号；然后，应用AR模型系数、近似熵和小波熵三种方法对去伪迹后的EEG数据信号进行特征提取，其中小波熵不仅可以表征信号复杂度在时域的变化情况，也可以表征信号的诸多频域特征，具有良好的时频局部化能力，适合对脑电信号进行处理；最后，应用设计的BP神经网络、RBF神经网络和支持向量机三种分类器，分别对两种不同的脑意识意识任务状态的特征数据进行了两两分类，并将三种分类器的分类结果进行了比较分析，其中以支持向量机的分类正确率最高。 分类结果为，当选用合适的意识任务状态、小波熵特征提取方法及支持向量机分类器时，分类正确率达到95％。此分析结果表明：脑意识任务可以作为现在BCI(脑机接口)设计中的输入信号；小波熵能有效提取脑意识任务的意识信息，可以将其应用到脑意识任务BCI的特征提取中；支持向量机可作为此BCI设计中可行的分类器。