脑-机接口(brain computer interface, BCI是实现脑与计算机之间直接通信的系统,它不依赖于正常的由外周神经和肌肉组成的生理输出通路,通过脑电信号(Electroencephalogram, EEG)来反映人的意识活动,是一种全新的通信和控制方式。它涉及脑科学、人机控制、康复医学、生物医学等多个学科,既是人类了解和提高脑功能的重要途径,也可以帮助残疾人或者运动障碍患者控制外部装置,提高生活质量,同时在特殊条件下也可以作为正常人的辅助控制手段,在多个领域有着广泛的应用前景。EEG信号是大脑皮层产生的微弱的电信号,它可以通过安置在头皮表面的电极记录到。BCI系统的实质是识别特定模式下的EEG信号,然后按预设规则转化为特定的外部信息,主要包括EEG信号的采集、预处理、特征提取、特征选择和分类、外部设备的控制等环节。在BCI涉及的技术中,信号识别最为重要,关系到能否将输入正确地转换为输出。本论文主要对EEG信号预处理、特征提取、特征选择和分类等环节作深入的研究,以提高BCI的分类正确率,通过BCI竞赛数据验证提出方法的有效性。EEG信号预处理是去除与EEG无关的噪声信号的过程,它为后续处理提供良好的源信号。本文提出了基于独立分量分析(Independent Component Analysis, ICA)和时频分析方法相结合的EEG信号预处理方法,该方法可以将噪声信号以独立分量的形式表示并通过时频分析方法定量的确定噪声分量。结合实验采集的16导联EEG信号,分别利用FastICA算法和扩展的Infomax算法对EEG信号进行ICA分解,利用Choi-Williams分布确定出干扰分量,将干扰分量置零并还原EEG信号。通过对滤除干扰后各导联EEG信号进行分析,证明了本文所提出方法的有效性。特征提取的目的是将EEG信号变换为能代表不同意识任务的特征向量,它是EEG信号识别中的最为关键的一步,直接影响特征选择方法以及分类器的设计。本文在基于小波包子带能量的EEG信号特征提取基础上,对导联进行选择和组合,提取组合导联的小波包子带能量,证明了利用导联间的关联信息作为特征,可以提高分类正确率；进而又提出了基于小波包子带的共空间模式特征提取方法,将EEG信号的频率特性和导联间的关联性更紧密的结合起来,对提取到的特征进行分类,得到了更高的分类正确率。通过对2005 BCI大赛的Data Set IVb数据进行验证,证明了本文所提出方法的有效性。特征选择是将特征提取结果进行进一步选择,得到更有效特征的过程,特征分类是依据输入的特征,确定特征应该归属的类别。本文以基于小波包子带的共空间模式方法提取的特征为原始特征,在遗传算法的基础上提出了优选基因单体变异的EEG信号特征选择方法,以K-近邻(K-nearest neighbors, KNN)分类器的结果作为适应度函数值,作为优秀单体进化结果的判据,得到了分类正确率更高的特征组合,证明了提出方法的有效性,又利用学习矢量量化(learning vector quantization, LVQ)神经网络和支持向量机(support vector machines, SVM)的分类结果作为适应度函数值的判据,通过实验结果对3种分类器的性能进行比较。最后设计了基于不同频率声音刺激的运动想象BCI实验平台和实验方案,按本文所提出的方法对记录到的16导联的EEG数据进行处理,通过对多名实验者实验数据的分析,证明本文所述方法在导联数大幅减少的条件下也可以获得较高的分类正确率,提高了处理速度,为在线BCI的研究提供了基础。