脑电信号(EEG)在现代的脑机接口(Brain Computer Interface,BCI)系统中使用,BCI技术是将人类的大脑与一些电子设备进行连接,从而能够使大脑与电子设备进行交流的一种人机交互技术。通常情况下,对于不可逆神经损伤的患者,运动想象BCI技术可以使他们控制诸如假肢之类的设备,虽然病人的身体没有真正意义上的活动,但是他们可以通过大脑想象自己的肢体在活动,也就是说通过自己的想象来假装运动。脑电信号的测量是比较复杂的,因为采集脑电信号的设备是由多个电极所组成的,从而在不同的电极通道测出不同的脑电信号,再将它们所整合到一起,因此脑电信号的采集经常会被干扰,例如周围环境的物体或者是周围环境噪音等,所以对于采集运动想象脑电信号来讲,可能其中参杂着其他的信号,那么将其准确的分类识别是非常重要的。在研究运动想象脑电信号的识别过程中,本文主要分为三个部分。第一个部分是介绍脑电信号的特性和特征,本文采用的原始EEG数据集来自于BCI Competition III。该数据集一共采集了四类运动想象脑电信号,分别是左、右手以及舌头、脚运动想象EEG。本文将数据集中每一类运动想象EEG进行标签储存后,再对其进行预处理,最后将原始EEG进行重构。本文基于小波变换对EEG进行预处理与重构,使用时域分析法,频域分析法以及空域分析法者三种不同的分析方法对脑电信号进行分析。第二个部分采用的基于共空间模式法(CSP)以及其衍生算法滤波器组共空间模式法(FBCSP)对重构后的脑电信号进行特征提取,本文引入了小波包变换对FBCSP进行改进,从而设计出基于小波包的共空间模式法(WPCSP)的特征提取方法。最后一部分对进行特征提取后的四类运动想象EEG进行四分类的识别。本文采用的分类器是改进后的决策树支持向量机(SVM)。由于传统的SVM只适用于二分类,而本文所研究的是四分类问题,所以需要将SVM进行改进,利用决策树的性质将传统的SVM改进为可以进行四分类的分类器。最后应用控制变量法将基于CSP、FBCSP、WPCSP三种特征提取方法将EEG进行特征提取与特征计算,随后用决策树SVM分类器进行识别,再将其识别后的Kappa系数以及准确率P_o进行分析对比。