脑机接口是在人脑与计算机或其它电子设备之间建立的直接交流和控制通道，通过这种通道，人就可以直接通过脑来表达想法或操纵设备，而不需要语言或动作，这可以有效增强身体严重残疾的患者与外界交流或者控制外部环境的能力，提高残疾患者的生活质量。脑机接口技术是一种涉及神经科学、信号检测、信号处理、模式识别等多学科的交叉技术。　　 本研究主要集中于脑机接口中的数据处理和模式识别部分。实验过程中，实验对象需要通过脑电信号控制一个屏幕中的想象反应条，该反应条的运动反映了手部运动想象是向左或向右的，因此需要准确识别脑电信号与运动方向的关系。　　 本文首先对脑机接口的工作原理、基本结构和研究现状进行了较为详细的综述，指出了目前脑机接口研究和应用中存在的问题，介绍了小波特征提取和支持向量机（Support Vector Machine，SVM）分类方法、引入模糊因子的模糊支持向量机（Fuzzy Support Vector Machine，FSVM），然后将上述方法应用于方向运动想象实验的方向识别，并以Graz实验室方向运动想象实验为研究对象，采用小波分析方法提取方向运动想象过程中脑电信号的特征，应用SVM方法和改进的FSVM对特征向量进行分类，选取了较优的小波基函数和核函数，继而对分类结果的影响进行了讨论，将SVM与反向传播（Back Propagation，BP）神经网络（Neural Networks，NN）分类器进行了比较，最后讨论了样本集大小对分类器的影响，对分类器的实时性能做出了评估。　　 实验结果表明SVM方法可以有效地对脑电信号进行分类，FSVM在小样本情况下分类准确率明显优于传统的BP神经网络，具有良好的推广性能和抗扰动能力，可用于脑机接口的研究。