脑电信号解码是一项非常困难的工作,解决这一困难问题的途径之一是对脑电信号进行降维处理。脑电信号的多类别和非线性的特点使得降维过程较为困难。本文采取了两种方案实现对于脑电信号的降维处理。第一种方案利用核多分类支持向量机提取多类别非线性的特征,实现对脑电信号的降维;第二种方案利用了脑电信号协防方差矩阵可以映射为黎曼流形上数据点的特性,在黎曼流形上实现对脑电信号的降维。主要研究内容为:（1）针对脑电信号多类别,非线性的特点,在支持向量机的框架下提出了类最优核多分类支持向量机算法。该算法通过将核多分类支持向量机与改进后的迭代特征消除算法相结合,选择出对于分辨所有类别都起作用的特征。对迭代特征消除算法进行了改进,使其评分标准适用于多分类支持向量机,还加入了批量消除和重筛选过程,提高了特征选择的速度。在多个数据集上的实验结果验证了特征选择的有效性。在脑电数据上的kappa比原始算法提高了15.5%,并且实现了对脑电信号的降维处理。（2）根据脑电信号协方差矩阵是对称正定矩阵,并且可以映射到黎曼流形上的特性,本文提出了基于粒子群算法的黎曼空间脑电信号信道选择算法。该算法通过选择对称正定矩阵的有效维度来选择脑电信号中的有效信道,实现在信道层面的脑电信号降维,使得降维效率大大提高。在脑电信号上的实验结果验证了所提算法的有效性,kappa比原始算法提高了11.8%。和大脑工作区域知识进行对比,证明了所选信道的合理性。该论文有图24幅,表13个,参考文献82篇。