脑电信号反应了大脑内部神经元的放电活动,含有丰富的生理信息,在临床医学、人工智能、脑机接口及认知神经等多个领域具有重要意义和研究价值。研究学者通过在各个脑区头皮上放置多个电极获取丰富的脑电数据。然而,脑电信号幅值仅在微伏级,在采集中极易受噪声干扰,尤其眨眼等生理行为造成的眼电噪声,幅值大且频段与脑电信号重合,难以用传统的时频方法去除。如何高效去除眼电信号干扰,针对实时和离线场景的不同需求,获得高质量高通量的脑电数据是脑电信号处理中的难点。针对以上问题,本文基于现有眼电去除方法,提出两个相应的优化算法IMM+（Improved Moment Matching Plus）和ICAE（Independent Component Analysis＆Empirical Mode Decomposition）。为满足实时脑电数据高效的眼电伪迹去除要求,基于改进矩匹配高速眼电伪迹去除算法（IMM）,本文提出了优化算法IMM+,该算法提高了重建信号的波形质量。IMM时间复杂度低、运行速度快。然而,IMM中构造的参考信号会引入新误差,且缩放系数阈值k不具普适性。针对以上问题,IMM+首先利用相关性自动识别眼电伪迹位置。其次,将包络思想和眼电时域波形特点结合,优化IMM中参考信号的构造方法,解决了波形畸变问题。最后,IMM+结合极值点及眼电位置,自动判断需要进行缩放系数校正的区间,无需设置阈值。在模拟脑电和UAIS（Ubiquitous Awareness and Intelligent Solutions Lab）真实脑电数据集上,IMM+和多种去噪方法进行了量化对比实验。实验结果表明,IMM+去噪效果优于IMM和传统眼电去除算法,且运算速度快,可以满足实时或部分离线的眼电伪迹去除场景。为了满足离线分析时对脑电数据更高的质量要求,本文提出了基于独立成分分析（ICA）和经验模态分解（EMD）的眼电伪迹自动去除算法ICAE。传统眼电去除算法ICA首先需要人工干预,其次在去除眼电伪迹相关成分时,会因解混不彻底而造成脑电信息大量丢失。ICAE通过独立成分的统计特征实现伪迹相关成分的自动化挑选;在去除伪迹相关成分时,通过EMD对成分中的脑电信息进一步保留,减少了脑电成分的损失。在与IMM+及多个传统去噪方法的模拟脑电和UAIS真实脑电数据的实验对比中,ICAE通过大量迭代计算得到了优于其他方法的去噪效果。实验结果及量化指标表明,ICAE适用于在离线场景中进行自动化眼电伪迹去除以获取高质量脑电数据。