脑机接口（Brain Computer Interface,BCI）作为交叉学科中的前沿技术,可以让脑在没有肌肉组织辅助的情况下与外界通信,为脑与外界提供一种全新的通信方式。运动想象（Motor Imagery,MI）是一种常见的BCI范式,BCI系统将脑在进行运动想象时产生的信号作为输入,便可把此信号处理为相应的机器指令并由外界设备表达出来。在BCI系统对信号的处理过程中,特征提取和分类是将脑信息转换为机器命令的关键步骤,故本文着重研究特征提取方法,并将提取的特征用于分类。在脑认知行为中,分散在相邻脑区的神经元群之间存在协作交互作用。鉴于此,本文推测在运动想象期间相邻通道的脑电信号间存在一定关系,并提出通道二值模式（Channel Binary Pattern,CBP）方法来探索这种局部空间信息。CBP通过编码化相邻通道脑电信号间的相互作用来挖掘局部空间模式并提取局部空间特征。由于CBP方法在提取脑电信号的局部空间信息时忽略了全局信息,故本文提出用基于最大化每类方差的全局空间滤波器来提取全局空间信息,并将局部和全局空间特征在分类器层面进行信息融合。在公开数据集上进行实验时,CBP方法的分类结果与同类方法相比有显著提升,而信息融合后的平均分类准确率比单独使用CBP方法时提高8.8%。分类结果可证明不同尺度（局部和全局）空间信息提取的有效性和信息融合的可行性。脑电信号中的可利用信息不仅体现在空间关系上,还包含在时序层面。由于被试者在运动想象时主观意识存在差异或受到干扰,不同被试者会存在不同的和运动想象无关的时间段。故本文提出稀疏时间段共空间模式（Sparse Temporal Segment Common Spatial Pattern,STSCSP）来为每个被试者剔除时序上存在的冗余信息,从而提取可靠的时间-空间特征。STSCSP方法将MI任务中的整体时间段划分成重叠的几个子时间段,对每个子时间段提取空间特征,并利用7)2,1范数和7)1,2从这些空间特征中挖掘有效时序信息。本文运用STSCSP方法在三个公开数据集上进行实验,其平均分类准确率分别为84.2%、90%和91.5%。实验结果表明STSCSP优于其他对比方法并能有效提取时间-空间信息。