近几十年来,人们发现了很多脑电图(electroencephalogram,EEG)规律性的特征。所以,人们希望利用这些特征直接在人脑和外界设备之间建立一条不依赖神经和肌肉的通信链路,这就是脑-机接口(Brain-Computer Interface,BCI)的概念。运动想象是一种自发的EEG信号,不同的运动想象模式会在头皮不同位置引起特定EEG节律的变化,主要表现为频带能量变化。所以,本文基于运动想象EEG信号对完整的BCI系统进行了研究。包括EEG数据采集,预处理之后进行特征提取,模式分类以及产生控制命令。而对于异步系统,还需要空闲态检测,即判断使用者是否处于运动想象状态。作为BCI系统中的核心,特征提取和分类算法的优劣直接影响整个系统的性能。所以,本文首先采用离线分析的方式对基于运动想象EEG信号的特征提取和分类算法进行了研究。本文中采用的分类算法为建立在统计学理论上的支持向量机(support vector machine,SVM)算法。基于开源EEG数据和SVM分类算法,讨论了三种频带能量特征提取方法,分别为带通滤波,小波分解和希尔伯特黄变换,验证了运动想象时EEG信号能量的变化。得到的结论是,在相同频带的情况下,不同频带能量提取方式的分类准确率没有太大差别;而且相比于单极性电极,双极性电极采集的EEG数据的频带能量特征可分性更好。另外,本文对公共空间模式(common spatial pattern,CSP)这一特征提取算法进行了研究。因为CSP算法之前要进行带通滤波,可以认为是频带能量的进一步特征提取。分析结果也验证了CSP算法在多导单极性电极情况以及多分类模式条件下,相较于频带能量算法,准确率有了很大提升。由于本文使用的EEG放大器可以采集16导单极性数据,所以对于采集数据来说,CSP算法有明显的优势。而为了进一步发挥CSP算法的优势,本文提出了基于功率谱密度(power spectral density,PSD)的频带选择方法,可以针对不同受试者的EEG特性,选择最合适的频带。为了实现异步BCI系统,本文将空闲态作为一种任务态,与左手、右手运动想象进行同样的处理。所以,采集系统有三种任务态模式。对采集的EEG数据离线分析,得到使用电极,滤波器系数,CSP投影矩阵以及SVM分类模型。本文设计了一个在线BCI系统,通过离线分析得到的各模型,可以边采集EEG数据边进行分类。在线系统的控制命令由一个演示软件体现,使用者根据界面将图片控件移动到目标地点,根据落点计算得分。根据在线系统实验结果,虽然不太理想,但是其功能有较好的体现。