脑-机接口系统可以不依赖于大脑的正常输出通路，直接在人脑与外部设备之间建立交流和控制通道，通过此通道，可以让人的意图与外界环境直接沟通。脑-机接口的重要工作之一是从采集到的脑电信号中正确的分析出使用者的意图，而特征提取和模式分类方法是脑-机接口正确分类的关键。本文重点对“模拟阅读”脑-机接口信号的模式识别方法进行以下几个方面的研究。　　以前“模拟阅读”脑-机接口实验模式下特征提取的研究大部分都是对单通道信号进行处理，即便是考虑了多通道信息，也不能同时从时频空三维上提取特征，从而在信号处理过程中，会丢失一些可能对分类有用的信息。基于以上原因，本文对张量时频空模式特征提取方法进行了研究，该方法能够同时从多维上提取特征，对角化脑电信号的高维协方差矩阵，从而保留脑电信号的更多信息。相比于共空间模式，其具有更高的分类性能。　　张量除了可以应用在特征提取上，也可以应用在模式分类上。目前机器学习算法大多数都是基于向量空间进行设计的，如果处理的是张量类型的数据，就需要将张量类型数据先转化成向量类型数据再使用，这样一方面会丢失特征的空间位置关系，另一方面会导致高维向量的产生，在学习过程中出现过拟合现象。为了克服这些缺点，研究了核支持张量机分类方法，该方法用于“模拟阅读”脑-机接口实验模式，比支持向量机有更好的分类效果。　　针对支持张量机耗时比较长的特点，研究了一种分类速度更快的算法-极限学习机，将其与支持向量机相比较，在“模拟阅读”BCI实验模式下，极限学习机的分类正确率与支持向量机相近，极限学习机网络结构更简单，耗时更短。　　最后，研究了独立成分分析算法，针对脑电信号因人而异的特点，提出了“模拟阅读”模式下，基于独立成分分析的脑电信号最优电极选择方法，该方法不用人为手动选择，可以用于在线脑机接口。