脑机接口(Brain Computer Interface,BCI)是一种不依赖大脑外周神经与肌肉组织的正常输出通路而能够实现大脑和外界进行信息交互的通信控制系统。近年来,BCI在各个领域的应用逐渐增加,随之而来的是对BCI系统的准确性和稳定性的更高要求。本文在充分了解国内外研究现状的基础上,系统研究了基于脑电(Electroencephalogram,EEG)信号的左右手运动想象BCI从离线分析到在线应用的问题。本文以如何有效提高左右手运动想象分类正确率为研究目标,运用自适应无参经验小波变换(Adaptive Parameterless Empirical Wavelet Transform,APEWT)、卷积神经网络(Convolutional Neural Network,CNN)进行脑电信号的特征提取;随后根据受试者脑电信号特征在不同时段和频段上可分性的差异,对不同时段和频段的特征通过加权集成分类的方法,实现了左右手运动想象脑电信号的分类。论文主要工作如下:(1)对脑电信号产生机理进行分析,针对脑电信号非线性和非平稳性等特点,结合APEWT在脑电信号提取上的优势和集成分类方法,提出一种基于APEWT和选择集成分类的运动想象脑电信号分类方法。(2)针对不同受试者对不同特征敏感度不同的特点,利用CNN能够进行自动特征提取的优势,并以不同特征作为CNN的输入,最后通过集成分类的方法实现左右手运动想象的分类识别。(3)设计了在线运动想象BCI分类识别系统,实现了对非运动想象状态(空闲状态)的识别,解决了该类BCI连续工作的问题。实验结果证明,受试者在该在线平台上经过短时间的训练后,可以自如的在不同状态之间进行切换,并且具有较高的识别精度。