随着计算机科学的快速发展以及医疗领域对大脑神经科学的深入研究，脑机接口(brain-computer interaction，BCI)成为一种新型的人与外界环境的交互方式，吸引广大学者的研究热情。BCI不依赖任何动作信息、语言信息和视觉信息的参与，能将 EEG 信号转换为相应的指令来实现与外界的交流与控制。目前BCI系统的应用范围越来越广，涉及到医疗患者康复、医疗疾病诊断、作业安全高效、军事装备和休闲娱乐等领域。BCI系统在给人类带来便利的同时，其核心技术的研究开发也给各国学者带来了挑战。本文对BCI系统的关键技术做了研究，其中包括脑电信号滤波去伪迹、脑电信号特征提取与分类和构建脑电信号的移动机器人导航，相关具体内容介绍如下：
　　脑电信号的预处理在BCI系统中扮演着非常重要的角色，预处理的目的是使后续的模式分类更加高效。常规的滤波去伪迹方法是先使用FastICA算法对信号进行独立信号分离，然后再利用频域判定准则或空间分布判定准则从独立信号中选出眼电伪迹进行去除，再把余下的独立信号进行重构原始信号，完成滤波去伪迹，但是，FastICA算法对独立性不强的脑电信号进行分离时很难做到算法收敛，并且在选择伪迹信号时的两种方法都需要人为的设定一个阈值，没有自适应性，泛化能力差。针对以上问题，本文在独立信号分离阶段提出基于自适应松弛因子五阶FastICA算法以及在眼电伪迹信号选择阶段提出基于多域自适应阈值选择算法，不仅有效解决了上述问题，而且能够保留大部分的有效脑电信号，去除所有的噪声和眼电伪迹信号。
　　脑电信号的特征提取与模式识别是BCI系统的核心部分，是外部设备能够接受到准确指令的关键。脑电信号的特征提取与识别是本文研究工作的第二部分。目前，脑电信号的特征提取包括时域特征提取、频域特征提取、空域特征提取，分类方法包括线性分类、非线性分类，这些方法仍然存在脑电信号特征单一、信息描述不足、对多维脑电数据适应度低、识别精度低、模型自适应性低等问题。针对以上问题，本文提出结合免疫遗传优化算法和多域特征融合的多核学习支持向量机模型，并通过一系列的对比试验，从多个角度来验证本文模型的有效性，结果显示本文算法模型有效地解决了单域下特征信息描述不足、识别率低和自适应性差的问题。
　　本文的第三部分设计并搭建基于 Khepera IV 机器人的脑电信号导航平台搭建。平台采用两台客户端服务器架构，首先使用单目摄像机获取机器人所在的环境信息，之后对环境中的前景目标进行位置建模，通过一台客户端输入的目标位置点，采用图论和蚁群算法进行路径规划，另一台客户端输入采集到的脑电信号，并通过第一部分和第二部分的算法获得对机器人的控制指令，再由wifi发送到机器人，完成脑电信号的导航。
　　在文章的最后对全文相关内容进行了总结，归纳出文章中的创新点，并就相关改进之处提供了方向。