随着科技的发展,对于那些大脑健康而肢体行动不便或者无法行动的患者,例如:肌萎缩侧索硬化症(ALS)患者,越发的渴望能够通过自己的大脑直接与外部设备进行交流,脑-机接口(Brain-Computer Interface,BCI)技术就在这种背景下出现并快速发展。脑电波信号的分类算法作为BCI技术中一个重要的环节,对其进行研究将有着重大的现实意义及实用价值。本文的主要研究内容:1.针对朴素贝叶斯分类器(Naive Bayesian Classifier, NBC)及贝叶斯网络(Bayesian Network, BN)的不足进行了改进,基于最近邻(Nearest Neighbor, NN)算法,建立一个计算联合概率分布的概率估计器,并提出一种无模型贝叶斯分类器(Model-Free Bayesian Classifier, MFBC)算法实现数据的分类。2.提出一种新型的自组织特征提取算法,并对MFBC算法进行扩展,从而能够处理回归问题,通过与极限学习机(Extreme Learning Machine,ELM)进行比较,从而验证了扩展后的MFBC处理回归问题的有效性。3.根据模糊C均值(Fuzzy C Means, FCM)聚类算法对人造脑电波信号数据与真实脑电波信号数据进行区分。4.进行对脑电波信号识别系统的设计,包括UCI (University of California Irvine)数据及脑电波数据的导入、MFBC算法、实验结果分析等功能。最后通过UCI数据进行MFBC算法的敏感性分析,同时证明MFBC算法的收敛性。通过与其他经典的及集成分类器进行比较,验证了 MFBC算法的有效性。同时将MFBC算法与公共空间模型(Common Spatial Pattern,CSP)算法相结合应用于BCI系统中的信号分类环节中,从而证明其实用性。