脑科学被誉为人类探索自身和自然界的终极领域。随着科技创新2030重大项目——“中国脑计划”的正式启动,脑科学研究在我国进入了全新的发展阶段。在脑科学与脑机接口（Brain Computer Interface（BCI））研究中,脑电信号处理是关键的底层支撑技术。脑电信号存在信噪比低、非线性、非平稳,子成分混叠等普遍特点。自适应时频分析方法由于自适应性高,噪声鲁棒性强,能够有效分离并描述子成分动态信息等优势,相较于传统信号处理方法,能够有效地应对脑电信号的普遍特点。然而,自适应时频分析方法在处理脑电信号时仍然会出现分解成分混淆,运行效率低,突变时频特征丢失等问题。因此,本文以自适应时频分析方法为基础,围绕在脑电信号处理应用中出现的问题,开展研究并取得以下成果:·正常单通道脑电信号由一组神经振荡节律组成,这些节律处于一个较宽的频带内,其中蕴含着表征人脑活动的生理特征。在运动想象任务中,这些生理特征可用于完成不同想象任务的分类。当前基于窄带信号模型的自适应时频分析方法,变分模式分解（Variational Mode Decomposition（VMD）,相较于其他自适应时频分析方法,具有严格的窄带分析限制,无法准确分离宽带节律,同时提取与生理活动相关的时频特征。因此,本文结合短时傅里叶变换Short-time Fourier Transform（STFT））,提出时频共同优化方法将VMD扩展至宽带分析领域,所提出方法称为短时变分模式分解（Short-time Variational Mode Decomposition（STVMD））。此外,通过构造时频解调原子,本文将STVMD中的时频共同优化策略推广至所有线性时频变换,进而提出小波变分模态分解（Wavelet Transform VMD（WTVMD））。STVMD或WTVMD中的时频共同优化方法继承了VMD在分析信号时具有的噪声鲁棒性高,频率分辨力强,准确模式重构等优势,能够自适应地分离单通道脑电运动想象信号中的神经振荡成分,并同时提供所有成分的瞬时频率,平均频率和对应的时频系数。这些时频特征可作为单通道脑电的运动想象特征,用于运动想象任务分类;·在脑电运动想象任务中,必须考虑多通道间的相关信息,仅利用单通道方法处理多通道脑电信号并提取特征,会造成共信息丢失问题。现有多通道自适应时频分析方法虽然能够克服上述问题,但是处理多通道数据时运算计算消耗大。即使较快的多维经验模式分解（Multivariate Empirical Mode Decomposition（MEMD））,其运算消耗也会随着通道数的增加而显著增加,无法满足运动想象任务的实时性要求。同时,MEMD对噪声不够鲁棒,在处理脑电信号时仍会出现模态混淆,动态信息提取不完整等问题。因此,本文提出了快速多维经验模式分解（Fast MEMD（FMEMD））及噪声辅助FMEMD（Noise Assisted-FMEMD（NA-MEMD））,并用于运动想象脑电信号时频分析。本文设计仿真实验验证了FMEMD在运行效率和滤波器组稳定性方面的优势。实际运动想象多通道信号分析表明FMEMD以及NA-FMEMD能够有效提取与特定任务相关的脑电节律,运行效率显著提升。最后结合单通道时频特征,共空间模式（跨通道时空特征）和分类器提出基于FMEMD的脑电分类方案;·在异常多通道脑电信号的离线分析中,脑电信号会出现棘波等突变特征。多通道自适应时频分析方法在处理这种脑电棘波信号时会出现时频信息不集中或缺失问题。为此,本文提出了二维局部均值分解（Bivariate Local Mean Decomposition（BLMD））以及其多通道扩展实现（Multivariate Local Mean Decomposition（MLMD））。本文首先验证了LMD在保留突变时频特征方面的优势,进而通过定义二维局部均值和二维局部幅值将LMD引入二维分析领域。这两个定义也可以直接推广至多维。本文基于BLMD分解理论模型证明BLMD的模式对齐属性。BLMD（MLMD）继承了LMD的优势,能够准确地提取共同振荡模式,可有效保留脑电棘波信号时频突变信息,在其他诸如海洋浮标位移信号等非线性、非平稳信号上也能提供集中的时频表达。