脑电信号(Electroencephalogram,EEG)中含有能够客观地反映出人近期生理和心理状况的信息,通过对EEG信号进行研究和分析,可以获得大量有用的医学、生理和心理信息,对疾病的治疗和检测具有重要的意义。近年来,脑-机接口(Brain-Computer Interface,BCI)系统已经成为脑科学领域研究的热点,EEG信号与外部设备之间的传输是BCI研究的关键。因此,需要借助于EEG处理的方法提取出有效的信号达到人机交互的目的。然而,EEG是非平稳非线性的信号且易受噪声的干扰,给信号的去噪以及特征提取带来极大的困扰。尽管目前有许多EEG去噪以及特征提取的方法,但在精度或者效率方面都存在一定问题。针对上述问题,本文提出基于MMTD与小波阈值相结合的EEG信号去噪方法、基于EMD分解EEG的特征提取方法。本文完成的主要工作如下:(1)针对EEG采集时易受到噪声干扰的问题与小波阈值算法在EEG滤波中存在的不足,文中提出了基于MMTD与小波硬阈值的EEG信号去噪方法与基于MMTD与小波软阈值的EEG信号去噪方法,实验表明,文中提出的两种EEG信号去噪方法都是有效的。(2)针对EEG信号的产生机理非常复杂,可以直接进行分类识别的信号是很难获取的问题。本文在基于EMD信号分解的基础上,依据EEG中的ERS/ERD现象,提出把IMF分量能量相对偏离度作为EEG信号特征属性,并将IMF分量的相对能量偏离度、IMF分量的能量、IMF分量的相对能量组合成特征向量用于后续的EEG分类。(3)由于不同的分类器其泛化能力有一定的差异,因此分类器的选取对EEG信号分类识别率有较大影响,本文在基于上述选取的三种信号特征的基础上,提出基于SVM的EEG分类方法对EEG信号进行分类。实验表明,文中提出的特征提取方法是有效的。