脑机接口（Brain-computer interface,BCI）可进行人脑和外部设备间直接的交流与控制,不依赖外围神经系统和肌肉组织,为运动障碍患者提供一种与外界交流的途径。错误相关电位（Error-related potentials,Err Ps）是一种当人类在面临意外错误发生时大脑自然产生的特殊脑电信号（Electroencephalograph,EEG）,该信号不仅有可能用于修复人机交互中的错误,辅助运动障碍患者进行更准确地机器控制,还可作为错误监测机制整合BCI系统,提高系统性能,因此,研究Err Ps信号对于发展BCI技术具有重要意义。本文就Err Ps电位信号在BCI系统关键技术中的应用展开研究,主要从实验范式设计、脑电信号分析处理和实时反馈机制等几个方面展开工作。主要研究内容如下:首先利用g.Nautilus脑电采集设备与NAO人型机器人搭建了BCI实验平台,自行设计了基于Err Ps信号的新型BCI实验范式。对实验所得数据进行预处理工作,包括带通滤波、独立成分分析、手动伪迹剔除等,最终得到多组正确试次及错误试次对应的分段EEG信号。针对Err Ps信号特点,采用时域波形、头皮地形图、事件相关谱扰动和试次间相干性分析进行特征分析,结果表明本文所设计的实验范式能够成功诱发个体在人机交互过程中的Err Ps信号。其次根据特征分析结果,选取特定脑部区域通道和特定时间范围的EEG片段进行特征提取及分类工作。针对Err Ps时域波形显著特性,使用时域波形作为特征提取;为得到Err Ps时域和频域的融合信息,使用了小波包变换提取特征;针对Err Ps信号单次试验信噪比低造成分类困难的问题,提出x DAWN空域滤波算法结合黎曼正切空间的方法进行特征提取。介绍并使用了LDA线性分类器和SVM支持向量机对EEG信号特征提取后的特征向量进行二元分类工作。为验证所提方法在跨被试分类中的泛化性能,采用留一法对不同特征提取方法和不同分类算法的组合进行评估。结果表明,使用x DAWN算法结合黎曼正切空间（Riemannian Tangent Space）的特征提取方法联合基于径向基核SVM分类器的效果最好,所有受试者的平均分类准确率为77.43%,单人最高准确率达到90.24%,对正确、错误试次的分类效果均衡,且单次试验分类所需时间短暂,能较好地对Err Ps信号进行单次试验分类工作。最后根据本文所设计的Err Ps脑电信号离线BCI实验及离线信号分析结果,设计了基于Err Ps脑电信号的在线BCI系统,对人机交互的错误进行在线提取并完成反馈控制,邀请了6名健康受试者参与在线实验,6名受试者的平均分类准确率为70.67%,该系统能够在线检测出用户的错误意识,达到了实时采集、实时分析、实时反馈的效果,进而验证了本文所设计在线BCI系统的可行性。本文研究了基于Err Ps信号的BCI系统,这种新型BCI系统可以帮助运动困难患者更好地完成日常任务,提高人机交互任务的准确率,从而为研发新型康复机器人提供一种新的思路。