脑机接口(BCI)是一种全新的人机接口方式，它不依赖于脑的正常输出通道(外周神经与肌肉系统)，而是直接从大脑获取与外界通讯的信息。脑机接口的一个重要用途是为那些思维正常但有严重运动障碍的患者提供语言交流和环境控制途径，提高其生存质量。脑机接口在自动控制、军事领域也有潜在的应用价值。鉴于其巨大的应用前景，脑机接口已引起国际科学界的高度重视。脑机接口研究正成为脑科学、康复工程、生物医学工程及人机自动控制研究领域的一个新的热点。 当前绝大部分脑机接口是建立在脑电信号(EEG)基础上的。脑电信号是由大脑产生的电活动，可以从头皮或大脑皮层记录到。基于EEG的信息交换方法的探索就是试图将EEG或它的某些分量转化为一种新的输出通道，通过它大脑能够与外界进行信息交换与控制。 在BCI系统中，脑电的特征提取与识别是非常关键的环节。如果此环节处理不好，系统就不能正确解读出使用者意识活动中包含的特殊指令，也就不能对控制设备发出符合使用者意图的控制指令。本文主要针对这一环节开展了相关工作。 本论文提出了利用自适应AR模型(AAR)进行脑电信号特征提取的方法。因为脑电是一种典型的非平稳随机信号，而自适应AR模型也是一种非平稳随机模型，它是很适合于描述EEG信号的。文中我们详细研究了该模型在脑电信号特征提取中的应用。利用C3和C4导联提取的模型系数作为信号的特征向量，并且提出了一种确定模型参数的方法——最小化相对误差方差。实验结果显示，这是一种有效的区分两种运动想象EEG模式的方法，最高识别正确率达到了85％。这一非平稳模型很好地描述了EEG信号的非平稳随机特性，同时自适应的算法为它提供了具有很高时间分辨率(等于抽样率)的参数。它的计算量非常小，很容易满足实时性要求，是一种很好的在线处理方法。但是在包含较多瞬态过程的高度非平稳的EEG信号中，这一方法很可能会失败。这也正是其局限性。