脑机接口（BCI）可以提供一种将大脑信息传递给外界的通信方式,完成与中枢神经系统和外设的直接交互。基于运动想象的脑机接口（MI-BCI）由受试者的心理活动驱动,脑电信号在健康人和患有神经肌肉疾病的患者等个体中容易检测到。目前,MI-BCI对脑控机器人,如康复机器人、护理床机器人、无人驾驶飞行器等起着重要的作用。多数的MI-BCI,主要向外设提供离散的逻辑控制命令,如简单的方向控制意图,这是通过识别参与想象运动的肢体类型实现的;但对于力、位置或速度等复杂的精密控制指令,则无法提供,难以满足灵活运动控制的需求。虽然有少量基于运动参数脑机接口的研究在一定程度上弥补了这一局限,然而存在总体分类精度尚不理想、在线研究少、识别特征不太明显等问题。本文针对运动参数想象脑机接口,构建脑电脑功能网络;研究运动参数想象过程中的脑网络拓扑,并计算脑功能网络的特征参数进行运动参数想象任务的分析与识别。主要工作如下:（1）基于复杂网络的理论,构建了Delta、Theta、Alpha和Beta四个不同频段下实际和想象握力运动的相位滞后指数脑功能网络,分析进行运动想象三种不同握力任务时脑网络的拓扑结构差异。通过分析发现:不同握力值任务的脑功能网络拓扑不同,网络中各节点之间的连接性强度也不同,具有一定的差异性;而且不同的滤波频段下,网络拓扑结构也不同。基于图论分析法,计算聚类系数、全局效率、局部效率、特征路径长度和节点度。结果表明,在不同的频段下,同一个握力值大小的网络属性值不同;说明大脑在处理运动过程时,脑电节律波的活跃度不一致;在相同的波段下,不同握力任务的网络属性值也不相同;表明了在相同的波段下,大脑处理不同运动任务过程的机制不一样。基于图论分析的结果,对网络属性特征（节点度、聚类系数、全局效率、局部效率、特征路径长度）进行统计分析。统计分析的结果表明,进行实际和想象握力任务时,网络参数特征存在显著性差异的主要是Delta和Alpha两个频段的聚类系数和局部效率;而且在进行想象握力任务时,Beta频段的局部效率也具有显著性差异。同时还对两两握力任务间的网络参数进行多重比较校正。（2）基于相位滞后指数网络计算网络属性特征,并且对特征进行可靠性分析,分析了实际和想象握力任务中五个网络参数特征在不同频段的可靠性、所有网络参数特征在不同频段的可靠性、不同时间段所有网络参数特征在不同频段的可靠性。可靠性程度由计算的ICC值作为评价指标,计算的结果表明在不同的频段上ICC的值均不同,这可能暗示了不同频段的网络组织结构不同,而且具有不同的功能作用,而且基于PLI方法构建的网络参数特征是可靠的。基于网络参数特征,构建不同的特征向量,分别是所有网络属性特征组合、网络属性特征和邻接矩阵组合、以及在网络属性特征和邻接矩阵组合的基础上融合其它的传统方法特征;采用支持向量机对三类实际或想象握力（4公斤力、10公斤力、16公斤力）任务进行单次解码研究。结果表明把网络属性特征和邻接矩阵以及传统方法特征融合起来作识别向量的三类实际或想象握力识别率效果达83.31%±6.27%,说明组合特征具有好的可分性效果。（3）采用动态脑网络分析法研究运动参数想象期间大脑活动的变化规律,基于加权相位滞后指数法构建动态脑功能网络。按一定的非重叠窗口,把EEG时间序列分段成相同的子序列;按时间序列,构建网络并计算特征,并进行时变性分析。其次,利用相位同步特性对所有子序列进行筛选;对筛选出的有效数据段进行识别分析。动态网络构建的结果表明,经过相位同步筛选的平均识别率提高到了74%±0.05%;而且在单频段上对三种握力运动参数信息进行两两解码,最高识别率可达81.25%。基于脑网络的方法研究运动参数想象,希望可以增加运动想象脑机接口（MIBCI）的指令集,为实现更先进的脑控机器人提供一些启示,在一定程度上满足运动障碍康复的需求。