脑机接口(Brain-Computer Interface,BCI)作为一门新兴的技术,近年来已经成为康复工程和生物医学等领域的研究热点。BCI系统通过电极帽等设备采集大脑皮层的活动,再将大脑信号(electroencephalogram,EEG)转变为外部设备的控制信号,通过控制外部设备来实现与外部世界的交流。对脑电信号的正确分类是决定脑机接口性能的关键因素,但传统的分类方法都存在着训练算法复杂,易陷入局部最小等问题,影响分类的性能,制约着其应用效果。为此,本文引入了一种新型神经网络——回声状态网络(Echo State Networks,ESN),利用其训练算法简捷,全局最优等特点,进行分类方法的探讨。本文对两类运动想象的脑电信号进行了研究,结合ESN分类方法的优越性,针对EEG信号提取特征区分度不明显以及分类识别率较低等问题,从对储备池进行优化、对读出部分的优化和提高特征向量的区分度入手,提高脑电信号的分类识别率。本文进行了以下研究工作:(1)针对标准ESN储备池完全随机化、对分类问题欠缺针对性的问题,借鉴称为“内在可塑性(Intrinsic Plasticity,IP)”的已知的生物学机制,提出一种基于内在可塑性储备池ESN的分类方法,对储备池进行优化。该方法通过在神经激活函数中引入增益项和偏差项两个参数,使得ESN网络实现最大化信息传输,提高分类精度。实验结果表明,该方法与标准ESN相比具有更高的分类准确率。(2)针对ESN读出部分采用线性模型,没有足够能力模拟出储备池空间状态嵌入信息的问题,提出了一种ESN与多层感知器(Multi-Layer Perceptron,MLP)相结合的双向深度ESN的方法。通过对储备池模型的改造来完成对时间序列数据的特征提取,再通过主成分分析(Principal Component Analysis,PCA)方法降维和多层感知器分类,能够有效的提高分类精度。实验结果表明,该方法与标准ESN相比具有更高的分类准确率。