脑机接口(Brain-Computer Interface，BCI)是一种不依赖于周边神经和肌肉的人与外界进行交流和控制的新通道。它为神经肌肉疾病患者以及其它运动残疾患者等提供一种与外界沟通的新方法。快速准确地对脑电信号进行连续预测是脑机接口研究的关键之一。为了训练学习分类器对脑电信号进行连续地预测，试验数据常被分割成多个时间段。由于实验者在每个时间段(数据段)的真实意图(标号)是未知的，给分类器的训练带来了较大困难；同时怎样对各片段数据的预测进行很好的融合才能够对整段数据的类别做出即快又准的判断；这两个问题可称为未知标号问题和积累问题。本文主要针对以上两个问题研究设计贝叶斯(Bayesian)概率模型，并利用机器学习的方法改进脑机接口性能。论文主要工作如下：在贝叶斯理论框架下提出了新颖的概率模型。将未知标号作为后验概率下限中的隐变量引入到模型中。模型的参数通过Expectation-Maximization算法对后验概率下限进行优化而得到。通过合理处理各段数据的未知标号，该方法能较充分利用数据的信息，从而可提高分类器的性能。给出了两种积累分类方法：1)对基于混合高斯模型的积累分类方法，利用权值对各段预测进行积累从而提高系统性能，权值的估计分别基于混合高斯模型及混合高斯分类器在各时段输出的可区分度。2)从分类器融合的观点，结合贝叶斯Logistic模型和Fisher准则给出了一种新的积累分类方法。提出了一种新颖的贝叶斯积累概率模型。通过引入两个辅助分布得到后验概率的下限，可以同时处理未知标号问题和积累问题。模型参数的估计是利用变分贝叶斯方法对后验概率的下限进行优化而得到。分类器参数和权值在训练过程中可相互协调，从而提高系统的识别率。以上方法均在脑机接口领域权威实验室组织的脑机接口竞赛(2003，2005)提供的三个公共数据集上进行了仿真实验。实验的结果表明本文方法能够提高BCI系统的性能，具有较好的实用前景。