随着脑-机接口系统的技术优势越来越突出,其发展研究情况备受关注。其中,脑电信号因为其获取途径的便捷性深受研究者青睐,成为了研究脑-机接口的一大重要途径。为了提高脑电信号分类识别的效率,满足脑-机接口设备实际应用中对正确率和响应速度的需求,本文主要对基于超限学习机方法的脑电信号分类进行了深入研究。具体的研究工作如下:首先,本文提出了一种基于分层超限学习机(Hierarchical Extreme Learning Machine,HELM)的脑电信号分类识别方法。从脑电信号自身的复杂性、非平稳性和低信噪比等特点出发,对脑电信号数据进行了基于主成分分析和线性判别分析特征提取,达到降维和提升类间辨别度的目的。然后,使用分层超限学习机对提取到特征进行分类识别,通过深层次的特征再提取以及特征稀疏化,以提高计算速度和分类识别正确率。在BCI Competition II data set Ia数据集上,本文将该方法和当前先进方法进行了对比实验。实验结果显示,该方法取得的分类准确率更高、识别速度更快。其次,为了提升分层超限学习机的稳定性,本文提出了一种改进算法——核分层超限学习机(Kernel Hierarchical Extreme Learning Machine,KHELM)。本方法借鉴支持向量机和核超限学习机的核映射思想,利用核函数替代隐含层的输出,削弱原来分层超限学习机中随机权值对网络输出的影响,以此提高网络的稳定性。在BCI Competition II data set Ia数据集上对核分层超限学习机的分类性能进行了测试,结果显示核函数的引入确实提高了分类器的稳定性,同时该方法进一步提高了运动想象脑电信号的分类识别速度。最后,本文将分层超限学习机和核分层超限学习机方法集成到脑电信号处理系统V2.0中,并在真实癫痫脑电数据集上进行了测试。实验结果显示,分层超限学习机和核分层超限学习机方法取得了较为理想的分类效果。