随着生物信号相关技术的发展,基于脑电信号的相关研究成为热门课题,人们通过探究脑电信号与大脑神经之间的关系来发掘大脑的运作机制,以便研制出更便利的、更智能的机器。实际上,从仪器上采集来的脑电信号会被各种伪迹所污染甚至会被完全淹没,怎样得到干净的、无噪声干扰的脑电信号是研究者多年工作重点。虽然现目前已有很多的工作在去除伪迹方面有所突破,但是很多算法不适合于便携式单导仪器的脑电预处理。针对这个问题,本文提出基于脑电信号信号建模与预测相结合的预处理方法,这种方法能够自动检测脑电信号的污染源并合理消除由污染源造成的噪声污染,主要解决在没有参考眼电信号下怎样有效去除单导的脑信号中眼电伪迹的问题,适合普适环境下的脑电信号的预处理。在脑电信号中需要检测和去除三大主要的噪声污染有基线漂移、工频噪声及眼电伪迹。本文使用AR模型方法来自动检测这些脑电噪声,并提出了一种基于自适应预测器模型的方法来去除眼电伪迹,与现目前最新提出的基于独立主成分分析模型和基于自适应抵消器模型进行比较。使用模拟脑电数据方法,定性地给出三种算法在时域与频域去噪性能。另外,为了使新的算法能够进一步应用到实际工程中,我们利用经典的心理学实验范式(N-back),使用此范式下采集到的脑电信号去衡量预处理系统的性能。实验结果表明：基于自适应预测器算法不仅能有效的检测到眼电伪迹和消除眼电干扰,而且提高了P300的识别率。