脑电信号的分类是脑机接口中的关键问题。因为脑电的个体差异较大、信号幅度微弱，又是非平稳的时变信号，所以对其进行特异性分析总结是比较复杂的工作。提高脑电信号分类的准确率在临床和科研中有十分重要的意义。 本文研究了一种基于遗传算法和BP神经网络的BCI 分类器，利用遗传算法和BP神经网络相结合的方式进行网络的学习。首先从原始的脑电信号中提取出多种时频和功率特征，构成候选特征集合；其次从中随机生成一批特征向量，每个特征向量都是候选特征集合的一个子集；然后把这些特征向量作为遗传算法的初始种群。在逐代的演化中，用BP神经网络计算出种群中个体的适应度；最后选择其中适应度最高的特征向量，从而排除了冗余特征，得到了能够代表脑电信号特异性的特征组合。 本文主要在以下三个方面进行了重点研究： 1) 利用遗传算法启发式快速搜索能力和BP神经网络的自学习自适应能力，实现了二者相结合的解题模型，并且在2003年BCI 竞赛所提供的数据上进行了实验，验证了该解题模型的有效性，比单纯使用BP神经网络进行识别可以提高10％左右的正确率。 2) 通过实验，进一步验证了Kolmogorov 定理中关于三层前馈网络的隐藏层结点的数目确定问题。 3) 进行了棘波识别的仿真实验，也验证了使用遗传算法优选特征在癫痫检测方面的有效性。脑电信号的识别分类是个很复杂的问题，对其特异性的寻找需要小心精巧的分析、大量的实验求证和多种信号分析方法的综合使用。 本文使用遗传算法选择有效脑电特征，排除无效特征，从而提高了识别率。这说明在复杂的脑电分析中，信号的预处理是非常重要的工作。