EEG是探索人脑秘密的一项重要技术。由于它具有高时间分辨率和无损伤的特点,它在脑机接口系统,医疗诊断辅助系统应用中占有重要的地位。在这些应用中,人们通过头皮表面上的导联采集到EEG信号。然而,不同的应用需要不同的导联组合。于是,一些导联就开始变得冗余或不相关。因此对有效导联的选择与研究成为EEG信号分析和处理的重要问题之一。为确保导联选择方法在各应用领域的通用性,基于包裹式的导联选择方法受到越来越多的关注。在这类方法中,基于单目标优化的导联选择无法对导联数和分类准确率做好权衡;而基于多目标优化的导联选择虽实现了对这两个因素的权衡和选取,但是时间花费极大。另外,EEG信号具有个体差异性,因此多目标优化的导联选择方法给出的导联组合只适用于被试自己,无法迁移给其他被试。本文针对当前导联选择方法的问题,对EEG信号的有效导联进行了研究,具体工作如下:1.提出了基于改进UPS-EMOA的导联选择方法。该方法所采用的改进UPSEMOA保留了原UPS-EMOA的非限制种群大小策略,采用了差分进化算法的变异和交叉算子,引入了NSGA-II算法的拥挤度概念。实验结果表明,该方法在保证了高准确率的同时,极大地减少了时间花销。另外,因为该方法在64导联的脑电信号数据效果突出,所以被推荐使用在64导联的脑电信号数据中。2.将基于NSGA-II、UPS-EMOA和MOPSO三种多目标优化的导联选择方法作了对比,分析了三种方法的优劣,给出了他们各自的适用条件。3.提出了基于多粒度的FP-Tree频繁导联挖掘方法。首先,将被试的EEG信号转化为被试的一个特征向量;接着,采用HML算法对被试进行层次划分,不同的层次代表不同的粒度;最后,选择合适的粒度层次,在该粒度层次上利用FPGrowth算法挖掘出某类簇中频繁出现的导联组合,该组合能推广给在类簇中的其他被试。实验结果表明,该方法充分地利用了其他被试的导联组合,将导联组合迁移到其他被试上,实现了零训练。