脑-机接口（Brain-computer Interface,BCI）通过对脑电信号进行解析在人脑与外部设备之间构建出一条全新的信息交互通道,该通道无需借助人体的肌肉系统。脑电信号的特征提取与分类是脑-机接口系统的核心以及难点。为提高脑电信号的分类准确率,论文选用左右手运动想象脑电信号当作研究对象,着重对信号中的特征提取以及分类算法展开研究。局部均值分解（Local Mean Decomposition,LMD）算法以及熵算法对于非线性、非平稳型信号有着很好的处理效果,但使用熵算法提取信号特征时往往存在着计算量大、复杂度高等问题。此外,传统的LMD算法也存在端点效应以及模态混叠等问题,严重影响算法的性能,论文研究内容包含以下几个方面:（1）脑电（Electroencephalography,EEG）信号具有非线性、非平稳的特征,单一的特征提取算法无法有效地对其进行处理,论文提出基于LMD与样本熵算法（Sample Entropy,SE）的特征提取方法。使用小波变换阈值算法对信号进行去噪,削弱噪声对信号的影响。LMD算法与样本熵算法用来提取脑电信号的特征并选用支持向量机（Support Vector Machine,SVM）算法对其完成归类,该算法的平均分类准确率为92%,可用于对脑电信号归类。（2）模糊熵算法（Fuzzy Entropy,FE）在提取脑电信号特征时存在信号序列长度、步长等诸多参数不易调整的问题,参数选取不当将直接影响信号特征的提取。为解决这一问题,论文提出基于LMD、模糊熵以及共空间模式算法（Common Space Pattern,CSP）的特征提取方法。采用局部均值分解算法对预处理后的信号进行分解,得到多个乘积函数（Product Function,PF）分量。筛选出符合脑电特征的PF分量,并提取其模糊熵特征。为进一步扩大两类特征间的差异性,使用CSP对特征进行空间共射投影并选择差异性较大的特征作为最终的特征向量。采用BCI竞赛数据进行实验,平均分类准确率达到95.30%,实验验证结果表明此算法具有较好的分类性能。（3）针对局部均值分解算法在处理非线性非平稳信号时存在着模态混叠、端点效应等问题,在传统LMD算法上进行了一些改进。将镜像延拓算法加入到LMD分解算法中,通过对原始信号的两端点进行镜像延拓,避免了传统的局部均值分解算法在处理信号非极值点时所产生的端点效应问题。为解决信号中噪声等信号在LMD分解时所产生的混频问题,将一对互补的白噪声加入到信号序列中,通过白噪声在时域上均匀分布的特点减小模态混叠现象带来的影响。采用改进后的LMD算法对仿真信号以及脑电信号进行分析,实验验证结果表明改进后的LMD算法相比于传统的LMD算法能够对信号进行更有效的处理。