脑-机接口(Brain-Computer Interface,BCI)通过解析输入的脑电信号,将用户的意图解码为控制指令来控制输出设备,实现人脑与外部设备的交互。脑-机接口技术的核心是脑电信号的识别,但脑电信号具有非线性和非平稳性等特点,如何有效地提取脑电信号特征成为识别脑电信号的关键。因此,本文针对运动想象脑电信号的特征提取和系统实现展开研究,具有重要的理论研究和实际应用价值。首先,对BCI技术的国内外研究现状进行分析,设计了基于左右手运动想象脑电信号的BCI系统,并对脑电信号的采集方式进行了介绍。同时,通过对当前脑电信号分析方法的研究,确定了本文特征提取和分类识别的基础方法。然后,针对传统BCI系统延迟时间较高的问题,提出一种基于经验模态分解(Empirical Mode Decomposition,EMD)的脑电信号短时特征提取方法ST-EMD。该方法通过窗函数对脑电信号进行分段截取,并对截取信号的边界极值进行延拓,将信号自适应地分解成多个固有模态函数(Intrinsic Mode Function,IMF),获得具有较高分辨率的时频域特征。最后,将得到的特征通过支持向量机(Support Vector Machine,SVM)进行分类。实验结果表明,相比于EMD方法,ST-EMD在保证识别率的同时能有效地降低延迟时间。进一步,针对脑电信号识别率较低的问题,提出一种基于EMD和改进共同空间模式(Common Spatial Pattern,CSP)算法的脑电信号多特征识别方法。EMD-CSP算法首先通过ST-EMD对脑电信号进行预处理,然后将分解的各阶IMF分量合并成新的信号矩阵,并根据IMF信号矩阵在不同状态下的幅值差异构造空间滤波器,获取信号矩阵的空间分布特征,最后与EMD时频域特征进行融合。线下实验证明,相比于单一特征,该方法具有更高的平均识别率,且标准差更小。最后,在智能轮椅平台上设计并实现了基于运动想象的人机交互系统,并将ST-EMD和EMD-CSP算法集成应用到系统中,对轮椅的运动进行控制。实验结果表明,与传统控制方法相比,使用本文改进的控制方法取得的识别率更高,且耗时更少,验证了本文改进算法的可实现性以及搭建系统的有效性。