脑-机接口(Brain-Computer Interface, BCI)是一种不依赖于常规大脑的输出通道(外周神经和肌肉组织)实现人脑与计算机或其他电子设备通讯和控制的技术,是一种的全新的信息交流和通讯方式。通过采集大脑皮层的脑电信号(Electroencephalogram, EEG),利用数据处理技术解读大脑的意识活动,从而实现人类“利用大脑思维活动(意识)与外界进行交流”的梦想。脑一机接口技术巨大的理论研究价值和广阔的应用前景使其成为近年来研究的热点课题。本文以脑-机接口系统中的核心问题,即脑电信号的处理技术为研究内容,深入研究了脑电信号的预处理技术、特征提取技术、特征选择技术和分类识别技术,并基于对各种方法的研究结果,提出并建立了基于主从特征的异步BCI实验系统。通过对系统的实际测试,验证了本文方法在实际应用中的有效性,是对脑-机接口技术的实际应用进行的探索性研究。脑电信号的预处理是去除与脑电信号无关的噪声信号的过程,是实现脑-机接口系统良好性能的基础。针对脑电信号中经常混杂眼电伪迹的问题,本文采用独立成分分析和脑电地形图相结合的方法,实现了脑电信号中眼电伪迹的去除。利用独立成分分析方法分离脑电信号中各个独立的信号源,结合脑电地形图对眼电伪迹成分进行准确识别,通过将该成分置零后恢复原始脑电信号,达到成功消除眼电伪迹的目的。特征提取是整个BCI系统中最重要的部分。本文以运动想象脑电信号为研究对象,基于运动想象脑电信号中存在的事件相关／去同步现象,分别采用小波包变换、小波熵算法和AR模型方法实现脑电信号的特征提取,并构造了6种特征向量集。基于小波包分解技术,提出了基于脑电节律能量比的特征提取方法,提取的特征充分反映了运动想象脑电信号的特点,获得了较高的识别正确率,从而证明了方法的有效性。特征选择是对特征提取结果的优化处理。本文提出了一种基于SFFS-PLN相结合的特征选择方法,通过序列向前浮动搜索(Sequential forward floating seaeching, SFFS)算法实现特征子集的生成,采用分段线性网络(Piecewise linear network, PLN)对特征子集进行评估,从而确定最优特征子集,实现特征选择。实验结果表明,该方法有效地减少了冗余特征,提高了识别正确率。特征分类与识别是对大脑意识任务的判断,用于产生脑-机接口系统对外发出的控制指令。本文研究了K-近邻分类算法和基于BP神经网络的识别算法。针对BP神经网络训练速度慢,不易收敛的问题,提出了权重优化的BP神经网络训练算法,有效地解决了这一问题,使BP神经网络算法在实际BCI系统中具有实用价值。最后,本文综合对算法的研究成果,对异步BCI系统进行了实验研究。针对异步BCI系统中空闲与工作状态检测这一难点问题,提出了基于主从特征构建异步BCI系统的方法。首次采用BP特征作为主特征,有效地实现了异步BCI系统中空闲与工作状态的检测。利用脑电节律能量比作为从特征,实现了不同工作状态的识别。基于想象左右手运动的脑电信号,建立了基于主从特征的异步BCI实验系统。通过实际测试,系统表现良好,从而验证了方案和算法的有效性。