自控步调脑机接口(Self brain computer interface，SBCI)技术是当前脑机接口(Braincomputer interface，BCI)研究热点。脑机接口允许用户使用大脑信号直接控制外部设备。自控步调脑机接口突破了同步脑机接口必须依赖用户和设备间的同步系统进行交互的限制，允许用户在其希望的任何时候控制外部设备。这种更加自然，更加人性化的交互技术在近期受到研究机构的广泛关注。自控步调脑机接口信号处理部分的一个关键性问题是实时区分出用户的意向控制(intentional control，IC)和无控制(No Control，NC)两种状态。　　 本文首先探讨了基于运动想象的自控步调脑机接口技术现状。当前的自控步调脑机接口中的IC与NC识别技术可归纳为由数据分割，特征提取，特征选择，特征识别四个处理模块组成。本文按照这四个处理模块分别综述了当前用于数据分割的时间窗设计，节律特征和小波变换特征的提取，基于遗传算法(Genetic Algorithm，GA)的特征选择，以及支持向量机(support vector machine，SVM)在特征识别上的应用现状，并分析了这些算法的优点与不足。　　 其次，本文针对上述IC与NC识别算法在EEG特征提取与选择上的不足，提出了改进的算法。我们讨论数据分割的时间窗滑动方式和窗长确定原则；并用特征库取代特征提取的传统方法，在特征层上进行特征融合；同时引入了粒子群(Particle Swarm Optimization，PSO)算法代替遗传算法在特征库中选择适合于特定用户的特征向量，以及讨论了优化算法引起的特征冗余问题。　　 最后，本文利用实际BCI数据，按照自控步调脑机接口的四个处理模块分别展示改进算法的实验结果。我们固定其余处理模块，分别改进其中一个处理模块，从结果中可以看出特征库的改进能提高算法的识别效果，粒子群算法比遗传算法有更佳的算法效能。最后，本文分析、对比、总结了实验结果，并对自控步调脑机接口的发展进行了展望，讨论了进一步研究的方向。