脑-机接口（Brain Computer Interface,BCI）是一种直接实现人脑与外部设备之间信息交换的系统。该系统通过对脑电信号（Electroencephalography,EEG）进行分析处理识别出受试者的真实意图并将其转换成控制外部设备的指令,从而实现对外部设备的控制。由于脑电信号自身不稳定性和微弱性并且容易受到外围环境和伪迹的干扰,如何对脑电信号进行有效的伪迹去除并提取出脑电信号的有效特征,完成脑电信号的分类成为了脑-机接口技术中的关键。因此,本文对脑电信号的伪迹去除、特征提取与分类以及BCI系统的实现问题展开相关的研究具有重要的意义与价值。首先,阐述了BCI系统中脑电信号识别算法的国内外研究现状,分析总结了BCI系统目前面临的主要难点与问题,对BCI系统的基本框架和各个模块进行了分析,研究并设计了脑电数据采集的实验范式,为后续的研究奠定了基础。在伪迹去除的研究中,针对传统眼电伪迹去除方法容易丢失有用的脑电信号,不利于后续脑电信号的特征提取与分类的问题,本文提出了一种基于KSE-Fast ICA的算法。首先利用快速独立成分分析（Fast Independent Component Analysis,Fast ICA）将脑电信号分解成多个独立分量;然后利用峰值（Kurtosis）和样本熵（Sample Entropy,SE）相结合的方法识别出眼电伪迹分量;接着对识别的伪迹分量进行自适应集合经验模态分解（Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN）和小波阈值降噪处理;最后利用逆CEEMDAN和逆Fast ICA重构出脑电信号。经实验验证,相比于其他眼电伪迹去除算法,KSE-Fast ICA算法能更有效地去除眼电伪迹信号。在特征提取与分类的研究中,针对四类运动想象脑电信号识别准确率较低的问题,本文提出了一种基于DT-CSP-SVM的算法。首先利用“一对多”共空间模式（One Versus Rest Common Spatial Pattern,OVR-CSP）构建多个空间滤波器;然后使用支持向量机（Support Vector Machine,SVM）进行分类,从而挑选出效果最好的空间滤波器并使用挑选的滤波器和SVM来构建决策树（Decision Tree,DT）的第一个分支;最后利用OVR-CSP和SVM重复构建决策树分支,直到决策树能辨别所有类别。实验结果表明,本文提出的DT-CSP-SVM算法能更好地提取四类运动想象脑电信号的特征信息,分类准确率更高。在BCI系统实现的研究中,设计并实现了基于KSE-Fast ICA和DT-CSP-SVM算法的智能轮椅系统。受试者控制轮椅按照要求的固定轨迹进行移动,通过分析受试者实际的移动路径和时间对本文提出的算法和搭建的系统进行验证。与使用其他脑电信号识别算法的智能轮椅系统相比,基于本文提出算法的系统的实际移动路径与要求移动的固定轨迹重合度更高并用时更短,证明了设计的基于KSEFast ICA和DT-CSP-SVM算法的智能轮椅系统的有效性。