人的大脑控制人的行为。当人需要进行某种行为时,在大脑中就会产生一定的思维活动,经过神经传递给相关肌肉组织,由肌肉收缩产生相应的动作,这就是运动的过程。然而,有些患者由于神经组织病变等原因,不能将大脑信号传递给肌肉,因而不能进行相应的动作。所以,为了使这部分人生活更方便,一种新的技术—脑-机接口技术于上世纪就产生了。脑-机接口(brain-computerinterface,BCI)是一种新的通信通道,它可以将人脑的意图转化为对外部设备的控制信号,而不需要通过人的外周神经和肌肉组织。本文针对基于运动想象的BCI信号处理技术进行了研究,研究了受试者在执行两个和多个运动想象任务下的脑电信号的特征提取和分类算法。由于脑电信号的信噪比低,所以BCI面临的主要问题之一是分类识别率低。为了提高BCI的分类识别率,必须研究有效的特征提取和模式分类方法。在两类任务条件下,本文结合空间滤波和自适应自回归模型提取脑电特征,采用Fisher线性判别来进行分类,得到每个采样点的分类正确率;在研究AR模型的基础上,采用空间滤波结合AR模型的方法来提取特征,也得到了好的分类正确率,同时算法简单,计算速度快;盲源分离技术是一种新的、热门的信号处理技术,本文结合AR模型和负熵以及功率谱估计来提取特征,结果表明这是一种可行的脑电特征提取方法;最后,通过雅克比旋转(Jacobi Rotations)来进行近似联合对角化,将二分类CSP算法扩展到三分类中,实验结果证明了此法的有效性。本文所有算法都在MATLAB上进行了仿真验证,并使用不同受试者的实验数据进行了分类实验,结果充分显示了算法的可行性。