基于脑电(EEG)的脑机接口(BCI)是在人脑和计算机或其它电子设备之间建立不依赖于常规大脑信息输出通路(外周神经和肌肉组织)的全新对外信息交流和控制技术。及时有效地提取和识别与运动想象相关的脑电模式可以帮助严重瘫痪病人控制光标或辅助运动设备以替代其受损的运动功能,建立一种与外界交流沟通的新途径。　　脑机接口技术是一种涉及神经科学、信号检测、信号处理、模式识别等多学科的交叉技术。一个BCI系统是由信号采集、特征提取、分类算法、命令输出等单元组成。其中特征提取和分类算法是其最为重要的研究内容。想象左右手运动和实际做这个运动,会以同样的方式改变大脑主要感觉运动区域的神经活动,引起脑电相关频率成分的特征变化,如事件相关同步/去同步。依据这一生理现象,及时地提取和识别这些与运动想象相关的脑电特征可以帮助我们有效地分析人脑的意识。　　本文主要对人脑进行左右手运动想象的脑电模式进行识别,属于两类任务分类,我们引入模式识别技术LDA算法,以EEG(C3,C4)两个通道的μ节律能量作为特征向量,对左右手运动想象脑电模式进行识别。在研究左右手运动想象脑电的基础上,本文对多通道的四类运动想象脑电进行了研究。提出了采用表面Laplacian对多通道脑电进行预处理,从而消除各导联之间的相关性,提高信号的信噪比。然后使用基于独立分量分析的CSP(Common Spatial Patterns)方法,对四类运动想象任务的脑电信号进行特征提取,并应用设计的BP神经网络和支持向量机对提取的特征数据进行了分类。　　对所研究的方法进行了理论分析之后,为检验这些方法的有效性,首先对2003年和2005年脑机接口国际竞赛的标准数据进行了分析处理来初步验证,然后依据建立的实验系统,设计实验,并对实验数据进行分析处理。本论文分别设计了基于两类运动想象任务(想象左手拍篮球,想象右手拍篮球)和基于四类运动想象任务(想象左手拍篮球,想象右手拍篮球,想象右脚踩刹车,想象吐舌头)的实验。以分类正确率为指标,结果表明研究的方法能够取得很好的效果。　　本文所做的研究将为下一步建立基于自发脑电的脑机接口实用系统奠定基础。由于实验数据的局限性,研究的模式识别方法的鲁棒性有待进一步验证,基于自发脑电的脑机接口离实际应用还有很大的距离。在论文的最后,对整个论文的工作和研究成果进行了总结,并提出了下一步研究内容。