脑-机接口技术作为一种全新的人-机交互手段,完全颠覆了人类原本的与外界交流沟通的方式。它通过计算机和仪器设备对人类大脑神经思维活动表现出来的脑电信号进行“解读”,直接使用“解读”出来的信息来操控外界,从而摒弃了人类原先的外周神经和肌肉系统。脑-机接口技术的出现给众多领域带来了实用价值,因此近年来成为多学科交叉研究的一个热点。脑电信号的识别是脑-机接口技术的核心部分,目前在脑-机接口的应用中常用的有运动想象、P300和稳态视觉诱发(SSVEP)三种实验范式,其中P300和SSVEP是基于诱发模式的脑电,而运动想象则完全是自发形式的,所以应用前景更广。本文主要结合运动想象脑电详细的研究了脑电识别算法,当人类在想象肢体的不同部位动作时大脑皮层运动体感区的不同部位脑电特征存在差异,通过对脑电进行特征预处理、特征提取及特征分类,最终识别出不同类别的运动想象脑电。针对运动想象脑电的识别,本文作了以下几个方面的研究。(1)基于CSP-SVM的两类运动想象脑电的分类方法。这里我们主要对三种脑电模式：想象左手运动,想象右手运动和想象脚运动中的两类进行分类研究。基于多导联信息进行特征提取和识别。多导联的优势在于能在大脑的特定区域得到更丰富的特征信息,从而能有效提高脑电模式的可识别性。我们利用共空间模式方法来进行脑电模式特征的提取,再利用SVM对脑电模式特征进行分类,这种方法在这里命名为CSP-SVM方法。基于CSP-SVM脑电分类方法首先通过选取与运动想象相关的频段,对选取频段进行CSP模式特征提取,得到频率相关的有效能量分布特征,最后使用SVM分类器对特征进行分类。使用该方法对两类运动想象脑电的分类取得了较高的准确率。我们把该方法通过脑-机接口的在线系统进行验证也取得了很好的效果。(2)基于时-频相关性的左、右手特征提取方法。因为对于多导联方法,需要为被试佩戴导联较多,所以操作起来比较繁琐,不利用脑-机接口系统的实际应用。这里我们利用以上方法,只需两个导联信号来实现脑电模式的分类,使用两导采集脑电,提高了系统的便利性。因为个体的脑电模式差异大,有些被试的特征不够明显,会导致分类准确率不高,因此我们需要对特征时频段进行筛选。这里我们利用选取的时频段信号求取时频能量谱,利用相关性理论来取得任务相关的脑电特征,最终用线性判别分类器对去强相关性后的特征进行分类,与使用固定时频段的能量特征方法相比,该方法有效提高了识别准确率(3)基于CSP-HMM的四类运动想象脑电的分类方法。对四类运动想象脑电的分类有助于提高系统通讯率,提高系统的实用性。目前用于四类运动想象脑电分类的方法并不多,与之相关的研究有通过CSP来提取四类运动想象脑电的特征,再对特征进行LDA降维,最后使用贝叶斯线性分类器来对特征分类；还有通过提取四类运动想象脑电的AR系数,通过PCA对AR系数进行特征选择,最后使用HMM来对特征分类。基于以上两种方法,本文给出了基于CSP-HMM的四类运动想象脑电分类方法,选取4s的运动想象脑电,以2s的时长用0.5s的滑动窗把4s数据分成4个子数据段,利用“一对一”的CSP对每段脑电进行特征提取,使用提取的特征序列来训练HMM,最后使用HMM对四类脑电分类。与基于CSP-Bayes的分类方法相比,本方法取得了实现了对运动想象脑电模式的有效识别。