脑机接口(BCI)技术作为一种完全颠覆惯常的人类与外界信息交互的方式,修复并扩展了人体的生理机能和认知功能,从而重新诠释了人和机械的共存形式。它通过采集大脑产生的脑电信号来识别人的特定认知,据此将不同的认知实时转换为控制外部设备和通信工具的指令。运动想象(MI)脑电信号(EEG)是指当肢体运动或其他物体运动的现象在内心反复地模拟、排练,而不需要人身体实际参与运动行为时产生的脑电信号。目前在以运动想象脑电作为待分类信号的脑机接口系统研究中,对分类性能方面的要求始终很高,所以研究如何提高脑电信号分类准确率,减小分类误差是十分必要的。本文在对运动想象脑电的生理特性充分了解的基础上,分别针对少通道采集的脑电,多通道采集的脑电以及多分类的脑电信号的识别情况进行了细分的特征提取及分类算法的研究。首先,深入系统地了解了运动想象脑电信号的产生机制和特性,针对由少通道采集的两分类运动想象脑电信号,设计并实现了几种常用的特征提取及分类算法,包括小波包分解、共同空间模式滤波器(CSP)、贝叶斯分类器、K近邻分类器、线性判别分类器和支持向量机。分别对脑机接口竞赛数据以及自主采集的脑电数据进行离线分类分析,均得到了理想的分类结果。其次,针对多通道采集情况下脑电数据量增加的问题,本文从传统的压缩感知的稀疏基及字典设计受到启发,提出了基于稀疏表征分类算法的运动想象脑电分类处理方法。根据运动想象脑电信号固有的ERD/ERS特点,利用CSP提取降维特征,并计算所提取的特征频带的功率谱密度值,然后将训练样本的功率谱密度值组成的特征集作为脑电字典对测试脑电进行稀疏表征,最后通过计算测试脑电样本和各类脑电字典的重构误差判断出测试脑电样本的类别标签。实验结果表明该稀疏表征分类算法对多通道提取脑电的分类十分有效,相比于线性分类器,该方法显著提高了多通道采集脑电的模式分类精度。最后,在以上研究的基础上,进一步研究了多分类脑电识别中眼电伪迹对分类精度的影响。借助于EEGLAB脑电分析平台,采用独立分量分析算法(ICA)对原始脑电中的眼电伪迹进行识别并去除。实验证明,该方法有效改善多分类识别准确率。在对脑电分类处理中,仍采用第三章所设计的分类方法,再次证明该分类方法在多分类脑电识别中的可行性。