脑-机接口（Brain-Computer Interface,BCI）是人工智能和神经科学发展下产生的一项新兴技术,它将生物脑的神经元活动信号转换为控制计算机或其他外部设备的指令,该技术可用于医疗康复、智能控制和军事训练中。运动想象（Motor Imagery,MI）脑电信号（Electroencephalogram,EEG）是自发脑电信号的一种,指在没有进行实际肢体动作的条件下,通过想象肢体运动而产生的脑电信号。运动想象脑-机接口（MI-BCI）是直接使用大脑主观思维活动的信号实现与外界的通信或周围环境的控制,它是当前人工智能控制研究的热点。其中信号的采集和处理是MI-BCI系统中十分重要的功能环节。但运动想象脑电信号的低信噪比、低获取率、个体差异性严重制约着MI-BCI系统性能。本文从增强运动想象脑电信号的采集有效率、特征信息、分类性能入手,通过结合EEG时域-频域-空域特征及同步耦合特征的多层次脑电特征提取模块,研究如何最高效的引导被试者进行肢体运动想象,如何最大程度激活被试者感觉运动区能量,达到多维度提高MI脑电信号的质量,进而提高MI-BCI系统性能。论文研究取得的创新性成果如下:（1）设计并搭建基于多模式训练及多层次特征提取的自发脑电增强训练BCI系统。系统包括不同想象增强训练模块、多通道自发脑电筛选模块、多层次特征提取模块、特征降维及意图识别模块。首先,根据自发脑电的产生特点、大脑反馈机制以及采集方式等信息,设计包含动作执行训练模式、视觉想象训练模式、多模式增强训练模式的不同想象增强训练范式;其次,设计并基于C#语言搭建了多模式增强训练系统,系统可实现信号采集、多场景训练、数据管理的功能。（2）提出多通道自发脑电信号筛选策略。具体为:采集多人多天基于不同想象增强训练模块下的自发脑电信号,其数据的被试、训练方式、训练天数间相互独立,基于脑地形图分析运动想象时当前指令和脑区能量波动的规律,研究训练后脑区增强的范围,从增强区域出发筛选训练后能量增强显著的脑电通道,提高信号分析的速度和质量;利用连续小波变换分析训练的时频增强现象,进行自发脑电的最优时间-频段筛选。（3）为验证本文设计的多模式训练自发脑电增强系统和多通道信号筛选策略的有效性。一方面,提取不同想象增强训练下自发脑电的时域、频域、空域、同步耦合的多层次特征,对比分析被试者EEG在各个特征层面的增强现象,验证多模式训练综合提高自发脑电信号的有效性。另一方面,对多层次特征进行优化筛选,分析受试者在不同分类器下的意图识别率变化,综合考虑被试者的个体差异、训练模式的刺激效果等多因素影响,确定自发脑电信号最佳训练系统。